3. 势函数分类图谱

势函数选型的第一步不是“哪个准”，而是先判断体系里到底存在哪些物理相互作用，再据此锁定势函数族。不同势函数族在数学形式上对多体效应、键的方向性、电荷转移与极化、以及化学键断裂的描述能力差异极大，而这些能力又直接决定了计算代价。理解这张“分类图谱”，可以在建模之前就把候选范围缩小到两三类，避免用对势去算金属表面重构、或用机器学习势去算十万原子的粗粒化扩散这类错配。

五类势函数的物理内核

对势（pair potential）只依赖原子间距离，总能量写成两两作用之和，典型代表是 Lennard-Jones、Morse 以及 Buckingham。它的核心假设是“相互作用与周围环境无关”，因此天然无法描述配位数变化引起的能量重排。对势计算量随原子数 N 近似线性，单点能量评估极快，适合稀有气体、简单液体、以及作为粗粒度模型的基线。

多体势（many-body potential）把能量写成嵌入能加对势的形式，如 EAM、Finnis-Sinclair、MEAM。EAM 中每个原子的能量由“嵌入到局部电子密度”决定，电子密度由邻居贡献叠加，因此天然包含配位环境依赖。这使 EAM 能正确给出金属的表面能、空位形成能、层错能等对配位数敏感的性质。代价是每步需要计算局部密度，计算量约为对势的 2～5 倍。

键级势（bond-order potential）如 Tersoff、Brenner、AIREBO、Stillinger-Weber，通过键级因子调制键强，使能量依赖键角与局部配位，能描述共价键的方向性和断裂。硅、碳、碳氢体系的结构与力学性质依赖这类势函数。其计算量比 EAM 更高，因为需要计算键角项和三体、四体贡献。

机器学习势（ML potential）用高维描述符（如 SOAP、ACSF、Behler-Parrinello 对称函数）把局部环境映射为特征向量，再用神经网络或核回归拟合第一性原理能量与力。它不预设物理形式，精度可接近 DFT，但代价是训练集构建成本高、外推风险大、单点评估比经验势慢 1～3 个数量级。适合小体系高精度、或需要覆盖多种成键状态的复杂界面。

极化势（polarizable potential）在离子或分子上引入可诱导偶极，如壳模型、Drude 振子、诱导点偶极。它解决的是“电荷分布随环境变化”的问题，对氧化物表面、水、离子液体、铁电体至关重要。代价是每步需要自洽求解偶极，计算量通常是非极化模型的 3～10 倍。

适用边界：从“能不能算”到“算得对不对”

对势的边界最清晰：只适合范德华主导、无明显方向性成键的体系，如氩晶体、简单有机液体。一旦体系出现金属键或共价键，对势给出的弹性常数、表面能、缺陷能往往偏差 30% 以上，此时必须升级到多体势或键级势。

多体势的边界在于“金属性”。EAM 对 fcc、bcc 金属及其合金表现良好，但对共价性强的半导体、或需要描述电荷转移的氧化物，嵌入密度形式无法表达键角偏好，误差会显著增大。MEAM 通过引入角度项部分弥补，但参数拟合难度上升。

键级势的边界在于“元素与成键类型”。Tersoff 适合硅、碳；Brenner 适合碳氢；AIREBO 增加了长程范德华。它们对键断裂、重构、表面反应有较好描述，但对金属体系通常不适用，且参数迁移性有限。

机器学习势的边界是“训练域”。在训练集覆盖的构型空间内，精度可接近 DFT；一旦外推到未训练的高温、高压或新成键状态，误差不可控。因此必须做外推检测，例如监控描述符距离或集成方差。

极化势的边界是“是否需要显式电荷响应”。对水、氧化物、离子导体，极化效应不可忽略；但对金属，电子屏蔽已由多体势隐含，额外极化收益有限而代价显著。

计算代价的量级对比

以 10 万原子、单步能量与力评估为参照，可给出如下量级关系（示例性估算，非实测）：对势为 1×，EAM 约 2～5×，Tersoff/Brenner 约 5～15×，极化势约 10～50×，机器学习势约 100～1000×。若再考虑训练集构建，机器学习势的前置成本可能达到数万 CPU 小时。因此，大体系长时间演化优先选对势或多体势；小体系高精度或复杂反应选键级势或机器学习势；含极性界面的体系在规模允许时选极化势。

一个可执行的选型判断表

下面给出一个可直接对照使用的判断表，字段只保留与势函数选型真正相关的物理判据与代价指标。

实际建模中，势函数族的选择往往不是单一答案。例如金属-氧化物界面，可对金属用 EAM、对氧化物用极化势，再通过界面耦合处理；或整体采用机器学习势，但需保证训练集同时覆盖金属与氧化物构型。关键是先明确体系的主导物理，再在精度与规模之间做显式取舍，而不是默认沿用文献中最常见的势函数。