3. 优化算法基础：最速下降法、共轭梯度法、牛顿法的原理与对比
做结构优化，说白了就是在势能面上找最低点。你想想看，一个分子或者晶体，它的能量是原子坐标的函数。我们要做的，就是沿着这个函数曲面往下走，直到踩到谷底。
但怎么走？步子迈多大？方向怎么选？这就是优化算法要解决的事。我刚开始做计算的时候，觉得随便找个算法跑就行了，结果有一次优化一个表面吸附体系，跑了三天都没收敛。后来才发现，算法选错了，白费功夫。
这一章，咱们就把最常用的三种优化算法掰开揉碎讲清楚。它们分别是：最速下降法、共轭梯度法、牛顿法。
核心观点：没有最好的算法，只有最合适的算法。选对算法，优化效率能差一个数量级。
3.1 最速下降法：简单但容易「原地打转」
最速下降法的思路很直观——每次沿着当前点的负梯度方向走。梯度指向能量上升最快的方向，那负梯度就是下降最快的方向。听起来没毛病，对吧？
但问题出在「每次」这两个字上。你这次沿着负梯度走了一步，到了新位置，梯度方向变了。下一次再沿着新位置的负梯度走。如果势能面是个狭长的山谷，你就会发现——
步子来回震荡，效率极低。
我在项目中遇到过这种情况：优化一个层状材料，层间相互作用很弱，势能面特别平坦。最速下降法跑了上百步，能量还在那里晃悠，跟没动似的。后来换了共轭梯度，二十步就收敛了。
最速下降法的迭代公式很简单：
x_{k+1} = x_k - α_k ∇f(x_k)其中 α_k 是步长，∇f(x_k) 是梯度。
我的建议：最速下降法适合做初始的「粗优化」，或者当体系离平衡态很远的时候用。别指望它精细收敛。
3.2 共轭梯度法：兼顾方向与效率
共轭梯度法解决了最速下降法的核心痛点——它不让搜索方向「原地打转」。怎么做到的？
简单说，它让每一步的搜索方向都「共轭」于之前的所有方向。这意味着，你在一个方向上走完了，下一步就不会再往那个方向的分量上浪费力气。
我打个比方：你下山的时候，最速下降法是「哪陡往哪走」，结果在山谷里左右横跳。共轭梯度法是「先沿着山谷方向走一步，然后调整方向，保证下一步不跟刚才的方向重复」。这样就能沿着山谷快速滑下去。
共轭梯度法的迭代流程大致如下：
- 初始步：d_0 = -∇f(x_0)
- 线搜索找到步长 α_k
- 更新位置：x_{k+1} = x_k + α_k d_k
- 计算新梯度 g_{k+1} = ∇f(x_{k+1})
- 计算共轭系数 β_k（有FR、PR等多种公式）
- 更新方向：d_{k+1} = -g_{k+1} + β_k d_k
- 重复直到收敛
注意：共轭梯度法对线搜索精度要求较高。如果线搜索太粗糙，共轭性会被破坏，算法退化成最速下降法。我曾经吃过这个亏，优化一个有机分子，线搜索步长设得太粗糙，结果收敛速度还不如最速下降法。
3.3 牛顿法：二阶信息带来「一步到位」
最速下降法和共轭梯度法都只用了一阶导数（梯度）信息。牛顿法不一样，它用了二阶导数——Hessian矩阵。
Hessian矩阵描述了势能面的曲率。有了曲率信息，牛顿法就能「看穿」势能面的形状，直接一步跳到二次近似的极小点。如果势能面本身就是二次型，牛顿法一步就能收敛。
牛顿法的迭代公式：
x_{k+1} = x_k - [H_f(x_k)]^{-1} ∇f(x_k)其中 H_f 是Hessian矩阵。
听起来很完美，对吧？但代价也很明显——
- 计算量大：Hessian矩阵的维度是 N×N（N是原子数×3），对于大体系，计算和求逆都极其昂贵。
- 存储开销大：N=1000时，Hessian矩阵就有 9×10^6 个元素，内存根本扛不住。
- 可能不收敛：如果初始点离极小点太远，Hessian可能不是正定的，牛顿步反而会往高处走。
实际经验：我在做小分子（几十个原子）的精确优化时，喜欢用牛顿法。但做表面或纳米材料（上千原子）时，绝对不用——内存会炸。这时候用拟牛顿法（BFGS）或者共轭梯度法更靠谱。
3.4 三种算法对比：一张表说清楚
| 特性 | 最速下降法 | 共轭梯度法 | 牛顿法 |
|---|---|---|---|
| 使用信息 | 一阶梯度 | 一阶梯度 + 历史方向 | 一阶梯度 + Hessian |
| 收敛速度 | 线性（慢） | 超线性（中等） | 二次（快） |
| 每步代价 | 低（一次梯度计算） | 低（一次梯度计算） | 高（Hessian计算+求逆） |
| 存储需求 | O(N) | O(N) | O(N²) |
| 适用场景 | 初始粗优化、远离平衡态 | 中等规模、常规优化 | 小体系、高精度需求 |
| 主要缺点 | 山谷震荡、收敛慢 | 对线搜索敏感 | 计算量大、可能发散 |
3.5 算法选择流程图
下面这张图是我自己总结的算法选择逻辑。每次做新项目，我都会先过一遍这个流程。
3.6 实际项目中的「混搭」策略
讲完理论，说说实际怎么用。我做了这么多年优化，很少只用一种算法从头跑到尾。常用的策略是：
- 第一阶段：最速下降法——跑50-100步，把体系从「离谱」拉到「差不多」。
- 第二阶段：共轭梯度法——切换到共轭梯度，精细收敛到能量梯度小于某个阈值（比如 0.001 eV/Å）。
- 第三阶段（可选）：牛顿法——如果体系小，最后用牛顿法验证一下，确认确实到了极小点。
避坑指南：我曾经在一个项目里，直接用共轭梯度法优化一个手动搭建的有机分子。初始结构离平衡态太远，共轭梯度法前几步就崩了——能量直接飞到正无穷。后来老老实实先用最速下降法跑了80步，再切共轭梯度，稳稳收敛。
3.7 小结：记住这三句话
- 最速下降法——简单但慢，适合「开荒」。
- 共轭梯度法——性价比最高，日常优化首选。
- 牛顿法——快但贵，小体系专用。
选算法的时候，先问自己三个问题：体系多大？初始结构靠谱吗？我需要多高的精度？想清楚这些，算法自然就选出来了。