那0.3 eV的偏差，让我重新相信可重复性

上个月我们复现一篇计算材料学论文。作者公开了代码，我们也照着装了依赖，结果能带图差了0.3 eV。0.3 eV听起来不大，却足以让一种材料从“半导体”变成“疑似金属”。折腾两周后才发现：代码里硬编码了一个默认k-point网格，README里只字未提。

那一刻我有点沮丧，也有点释然。沮丧的是两周时间；释然的是，问题不是我没看懂，而是workflow本身太脆弱。

材料科学的可重复性危机，常常表现为“实验做不出来”或“计算对不上”。根因通常不是造假，而是隐式参数、未记录的环境版本、手稿里省略的中间步骤。一篇论文真正该传递的，是从假设到结论的完整路径。但现在的方法部分通常只有几百字，代码散落在GitHub角落。

代码比自然语言更擅长描述“怎么做”。但写代码对很多材料研究者仍是额外负担。工具的意义是降低门槛，而不是增加工作量。

DeepCode能把论文方法转成可运行脚本骨架，让你从“看懂了”走到“跑通了”。同一个工具还能检查隐藏bug、解释关键参数、补全注释。

复现不是慷慨，是科研的基础设施。如果别人跑不通你的代码，结论就只是一段漂亮的描述。

下次写论文时，不妨多问一句：两年后的我，还能跑通这段代码吗？用DeepCode搭一个可运行骨架，再检查一遍参数和注释。这比在补充材料里写“代码可应要求提供”靠谱得多。