选模拟方法，先画一张尺度地图

我曾经想用 DFT 算一块含缺陷微米晶体的宏观力学响应。花了三周搭模型、调参数，结果算到一半发现体系太大，交换关联能的计算成本根本扛不住。那三周不是白费的——它让我记住了一件事：没有哪种方法在所有问题上都最好，只有与问题匹配的方法。

选择模拟方法，本质上是在精度、尺度、时间和计算成本之间做权衡。先明确你要回答什么问题，再决定让哪种近似替你回答。

我习惯先在纸上画一张尺度地图。DFT 电子结构精度高，但通常只能处理几百个原子、皮秒量级，适合算能带、态密度、迁移势垒和反应能。经典 MD 可以模拟纳米尺度、纳秒量级，依赖经验势函数，适合研究扩散、相变和界面结构，但精度受限于势函数形式。机器学习势函数力图兼顾 DFT 精度和 MD 尺度，可以处理数万个原子、更长时间，但需要高质量训练数据，泛化性不一定可靠。有限元、相场和连续介质方法适合微米到宏观尺度，处理力学、热传导、枝晶生长这类宏观现象。

精度也不是越高越好。用 DFT 算宏观力学响应会算不动，用有限元去预测单个空位形成能会算不准。判断标准在于：你的核心物理量是否对近似敏感？研究电子结构，交换关联泛函的选择就至关重要；研究大变形力学行为，连续介质近似往往足够。

真正成熟的计算工作很少只用一种方法。常见的做法是用最精确的方法标定关键参数，再用更粗粒度的方法放大尺度。比如研究锂离子在固态电解质中的迁移，可以先用 DFT 算迁移势垒，再输入到动力学蒙特卡洛或 MD 中预测宏观扩散系数。

在 SLMat 上可以快速跑一些浏览器端的材料计算来验证想法；需要写 LAMMPS 输入脚本时，LAMMPS Assistant 能把自然语言描述转成可运行的模拟文件。涉及代码实现时，DeepCode 可以辅助你把论文里的方法落地成脚本。

下次打开计算软件之前，先在纸上回答三个问题：我要算什么？需要看到什么尺度？能接受多大误差？这三个问题答清楚了，方法自然会浮出水面。