近日，水利土木工程学院尹航团队在混凝土材料顶刊《Cement and Concrete Research》发表题为“A high-efficiency neuroevolution potential for tobermorite and calcium silicate hydrate systems with ab initio accuracy”的研究论文。2023级硕士研究生徐潇为论文第一作者，尹航副教授、新加坡科技局赵志强博士后、南京航空航天大学张助华教授为论文通讯作者，硕士研究生王世杰、秦海峰参与论文研究，该工作还得到了渤海大学樊哲勇教授的大力支持。山东农业大学为第一通讯单位。

水化硅酸钙（C-S-H）是水泥水化的主要产物。利用分子动力学（MD）在纳米尺度研究C-S-H的结构与力学性能已成为近年来的研究热点之一。MD模拟的可靠性很大程度上依赖于原子间势函数和分子力场的选择，C-S-H体系中多使用ClayFF、ReaxFF等经验力场，在精度和效率上难以兼顾。基于密度泛函理论（DFT）的从头算分子动力学具有无需依赖经验力场参数即可模拟动态演化过程的优势，但计算规模和效率均有较大局限性。机器学习势函数是一种可以兼顾DFT精度和MD模拟效率的一种解决方案，已在托贝莫来石体系中初步应用，尚未在C-S-H体系的MD模拟中大规模推广。

论文的核心成果在于开发了一个兼具DFT精度和卓越计算效率的NEP-ZBL机器学习势（图1）。在精度上，该模型准确复现了托贝莫来石（9 Å, 11 Å, 14 Å）的晶格常数、状态方程、弹性常数和声子谱，达到了与DFT计算相当的水平。其最突出的优势体现在计算效率上：与AIMD相比，NEP的速度提升了约四个数量级；在CPU上，其速度也远超ReaxFF一个数量级以上。尤为关键的是，GPU加速的NEP比DP模型快数十至数百倍，并展现出优异的系统扩展性，为大规模模拟奠定了基础。

基于该势函数的高精度和高效率，成功将其应用于大规模MD模拟。不仅精确预测了托贝莫来石的拉伸力学行为和各向异性的热导率，展现了其处理复杂物理特性的多功能性。更重要的是，将该模型成功扩展到非晶C-S-H系统（图2）。构建了包含凝胶孔隙和水分子的超11万个原子的C-S-H模型，并准确预测了其RDF和力学性能，证明了该NEP-ZBL框架在模拟真实、复杂水泥基材料方面的强大潜力和鲁棒性。

图1 NEP的训练流程

图2 NEP在非晶C-S-H中的应用

 该研究得到了山东省自然科学基金和山东农业大学青年教师成长计划的资助。本研究的计算工作由山东农业大学高性能计算中心提供技术支持。

论文链接：https://doi.org/10.1016/j.cemconres.2025.108091