机器学习分子动力学揭示水中场驱动质子输运

Advanced science (Weinheim, Baden-Wurttemberg, Germany) · 2026-10-29 · 期刊论文

• 一句话结论：研究通过反应性可极化机器学习势的分子动力学模拟，提示水中过量质子在强电场下的漂移行为与平衡态扩散在低场区一致，并在高场下呈现不同于常规离子迁移的响应特征；属计算模拟证据，不足以下实验结论。
• 研究设计与做法：设计为计算模拟研究：构建可同时描述化学反应性与诱导极化的机器学习原子间势，以微调PiNet2模型提供零场结构与扩散参考，结合基于AD(OS)的有限场耦合实现外加电场下的非平衡模拟；样本量与随访时长不适用，材料未报告。
• 主要结果：主要结果：在低于0.04 V/Å的线性响应区，由漂移速度得到的质子迁移率与平衡扩散系数吻合良好；质子漂移速度在电场强度至0.15 V/Å时仍近似线性，而该场强下受限水合氢离子的离子迁移率已下降；具体数值与统计区间材料未报告。
• 机制或解释：作者解释为质子化水的氢键网络在强场下大体保持其结构涨落与迁移能力，未出现可比的介电饱和特征；自由能分析显示强场稳定四重氢键配位的水合氢离子。
• 局限与边界：局限：结论基于特定机器学习势与模拟条件，未经实验直接验证；外推至真实体系与更高场强需谨慎；具体模型误差、体系规模与利益冲突材料未报告。
• 可否落地：落地层面：为电场下质子输运的理论与模拟研究提供方法参考（证据档位C，提示性）；对电化学、膜传输等应用的含义尚需实验与多模型验证，不足以下结论。

🔗 打开原文

van Hees A, Zhang ZY, Andersson L 等

本文摘自《每日前沿研究简报 · 2026-10-31》「化学信息 / 药物发现」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。