玻尔百科在理解和设计我们周围世界的探索中，科学家们长期以来一直在寻找具有真正预测能力的方法。虽然经验模型和实验提供了宝贵的知识，但它们往往受限于已知的事物，就像是为熟悉的系统准备的食谱。但是，如果我们能够仅根据自然的基本定律，从零开始设计一种新材料或预测一个化学反应的结果呢？这正是第一性原理计算所承诺的，这是一种计算方法，它从电子和原子核的层面开始，自下而上地建立我们对物质的理解。本文探讨了从数据驱动模型到物理驱动预测的概念性飞跃。我们将首先探索其基础性的原理与机制，揭示这些方法如何求解薛定谔方程并驾驭量子的复杂性。随后，在应用与跨学科联系部分，我们将探讨这些计算的实际影响，揭示它们如何作为虚拟实验室，彻底改变从材料科学到医学等多个领域。
要真正领会第一性原理计算的力量，我们必须首先理解它与其他科学方法之间的哲学鸿沟。想象一下你想烤一个蛋糕。你可以遵循一个食谱，一套由他人测试过的指令。这是一种经验方法。如果你的配料和条件与食谱要求完全一致，它会工作得很好。但如果你身处高海拔地区，或者想替换一种配料呢？食谱就几乎提供不了任何指导了。另一种方法是从头开始理解烘焙的化学原理——面筋网络如何形成，糖如何焦糖化，发酵剂如何反应。这就是第一性原理方法。它更难，但它赋予你在任何情况下预测将会发生什么、发明全新蛋糕的能力。
在科学中，经验模型就像食谱。例如，一个经典的力场是一套描述原子间如何相互推拉的方程。这些方程包含一些参数——如键的刚度、角度等——这些参数经过仔细调整（或“拟合”），以匹配已知分子“训练集”的实验数据或更高级别理论的计算结果。这种方法对于与其训练集相似的系统来说既快速又强大。但其参数并非自然界的基本常数；它们是经验拟合值，其向全新化学环境的可移植性永远无法保证。
同样，在生物学中，像同源建模这样的方法通过假设一个蛋白质会像一个具有相似氨基酸序列的已知蛋白质一样折叠来预测其结构。它依赖于进化上的观察，即结构通常比序列更保守。这是一个强大、基于模板的捷径，是进化传承下来的绝妙“食谱”。
Ab initio——拉丁语，意为“从头开始”——方法抛弃了食谱。它们采取了相反的立场。它们预设一个系统的行为，无论是分子的能量还是蛋白质的折叠结构，都是支配其组分电子和原子核的基本物理定律的涌现结果。唯一的输入是所涉及原子的原子序数（告诉我们原子核的电荷）和它们位置的初始猜测。整个过程就是试图尽可能准确地求解系统的薛定谔方程。其前景是深远的：一个真正具有预测性的理论，适用于任何分子或材料，无论其是已存在的还是想象中的，都无需对相似系统有先验的实验知识。在生物学中，指引这一探索的明灯是Anfinsen的热力学假说：蛋白质的天然、功能性结构就是自由能最低的那一个。ab initio计算的目标就是找到那个能量上最有利的构型。
如果目标如此简单——只需找到最低能量状态——为什么它如此困难？问题在于这个问题的惊人复杂性。一条中等大小的蛋白质链在三维空间中可能有数百万、数十亿，一个天文数字般的扭曲和折叠方式。这就是臭名昭著的构象空间。通过随机抽样找到唯一正确的折叠方式所需的时间比宇宙的年龄还要长——这个难题被称为Levinthal悖论。
这是第一性原理方法的核心戏剧性所在。它们不是魔法棒。它们是一次进入超维迷宫的精密探险。物理学的基本定律提供了地图和指南针，但是要在这片遍布无数“局部最小值”的崎岖地貌中穿行，找到唯一的能量“全局最小值”，是一项巨大的计算挑战。因此，第一性原理计算的“机制”不是暴力搜索，而是一系列为高效探索这一地貌而设计的极其聪明的算法。
那么，“进行”一次第一性原理计算到底意味着什么？让我们以一个简单的硅晶体为例，来一探究竟。
第一步是告诉计算机原子核的排列方式。你无法列出一个宏观晶体中每个原子的位置——数量实在太多了。这时，对称性的美妙之处就派上用场了。晶体是一个周期性的、重复的图案。所以，你只需要定义两件事：这个小的、重复的“盒子”本身，以及在这个盒子内原子的位置。这些被称为布拉维晶格矢量（定义晶胞）和原子基元（晶胞内原子的坐标）。这就是全部的结构输入。一个阿伏伽德罗常数数量级原子的难题，被优雅地简化为仅仅几个原子。
定义了原子核骨架之后，计算机的主要任务就开始了：求解电子的分布。对于周期性晶体，物理学提供了另一个深刻的简化：布洛赫定理。它指出，在一个周期性势场中（比如由我们重复的晶格所产生的势场），电子波函数也必须具有一种特殊的、类似周期的形式。这个神奇的定理意味着我们不必求解整个无限晶体中的电子。我们只需在一个晶胞内求解薛定谔方程，并施加由一个矢量（晶体动量）标记的特殊边界条件。然后，通过将在所谓的布里渊区中一个有代表性的点网格上的解拼接起来，就可以恢复无限晶体的完整解。
本质上，布洛赫定理是平移对称性的结果，是一个数学上的神来之笔，它将一个无限大的问题转化为有限数量的可管理的、独立的计算。它将哈密顿量块对角化，这意味着计算成本与一个小晶胞中的原子数成正比，而不是与物理晶体中数万亿个原子成正比。这正是使材料科学的第一性原理计算在计算上变得可行的关键洞见。
即使只对一个晶胞，要精确求解薛定谔方程仍然太难。所以，我们必须近似。但这些不是经验性的近似；它们是数学和物理上的近似，并且可以被系统地改进。
其中一个最重要的选择是基组。我们通过将电子波函数的复杂、连续的形状由一些更简单的、已知的数学函数（通常以原子为中心）的组合来构建，从而描述它。可以把它想象成一个用于构建波函数的“量子工具箱”或一套乐高积木。我们计算的质量关键取决于是否有适合这项工作的积木。
这不仅仅是一个技术细节；它需要物理直觉。考虑计算氟阴离子（）和氯甲烷分子（）之间的反应。该阴离子多了一个电子，使其电子云变得庞大而“蓬松”。如果你的基组——你的工具箱——只包含为中性原子设计的紧凑函数，它就无法正确描述这个弥散的电子云。结果是计算会严重高估自由阴离子的能量。这可能导致荒谬的、非物理的结果，例如预测该反应根本没有能垒，仅仅因为你选择了错误的工具来描述其中一个反应物。解决方法是在你的基组中包含弥散函数——即非常伸展的函数。
同样，如果你想计算一个分子的极化率——即其电子云在电场中如何变形——你的基组必须具有描述这种变形的灵活性。一套简单的球形和哑铃形轨道是不够的。你需要在碳原子上添加更高角动量的函数，比如d轨道。这些被称为极化函数，它们的作用是允许电子密度移动和改变形状，这对于正确预测像拉曼散射强度这样依赖于这种变形的性质至关重要。
因此，基组的选择是计算科学艺术的一部分。它与半经验方法形成鲜明对比，后者使用一个最小的、固定的基组，并通过将参数拟合到实验数据来隐式地弥补其缺陷。在ab initio方法中，没有这样的隐藏补丁；工具的选择是明确的，其后果是直接的。
在化学中，我们有许多绝妙而简单的模型，比如填充原子轨道的构造原理（）。这些启发式方法对于建立直觉和解释广泛的周期性趋势非常有价值。但它们只是经验法则，当潜在的物理过程变得复杂时，它们就会失效。
为什么铬（）和铜（）的电子排布是“反常”的？因为和轨道的能量非常接近，以至于简单的填充规则不再是可靠的指南。电子-电子排斥的微妙效应以及半满或全满壳层的额外稳定性占据了主导地位。同样，预测铁配合物的自旋态或像碘这样的重原子光谱中的精细结构分裂，涉及到相互竞争的能量贡献之间的微妙平衡，包括在我们的简单模型中完全不存在的相对论效应。
这就是第一性原理计算作为最终仲裁者的地方。它们不依赖于预先设定的填充规则或简化模型。它们同时求解所有电子的运动方程，自动包含电子关联、交换甚至相对论等效应（如果使用正确的哈密顿量）。它们计算每种可能状态的总能量，并宣布能量最低的状态为基态。当我们的直觉和简单规则不足以解决问题时，它们就是终审法庭。
这甚至延伸到了计算的实践层面。在金属中，费米能级处占据态和未占据电子态之间的急剧边界可能导致数值不稳定性。一个被称为电子展宽的聪明技巧被用来稍微模糊这个尖锐的边缘。这就像施加一个虚构的电子温度，它能稳定计算并允许更快的收敛。当然，必须小心：过多的展宽就像将温度设置得太高，可能会人为地“熔化”像铁中的磁性这样的物理现象。这说明了现代计算科学的成熟实践：使用被充分理解的近似和行业技巧，同时敏锐地意识到它们的局限性和潜在的人为影响。这是一段始于最基本定律的旅程，但其成功完成依赖于对物理和计算工艺的深刻理解。
现在我们已经探讨了第一性原理计算的基本原理，你可能会想，“这一切都非常优雅，但它到底有什么用？”这是一个合理的问题。一个深刻的物理定律之美不仅在于其优雅，更在于其力量。学会了量子力学游戏的规则后，我们现在可以开始玩这个游戏了——去建造、去预测、去以几十年前无法想象的方式理解我们周围的世界。
第一性原理计算不仅仅是学术上的好奇心；它们是一种革命性的工具。它们的功能如同一个“计算显微镜”，能够看到物理显微镜无法看到的地方；又如一个“虚拟实验室”，我们可以在其中对尚不存在的材料进行实验。让我们踏上一段旅程，看看这些方法正在以何种非凡的方式重塑科学和工程，从我们化工厂中的催化剂到我们口袋里的设备，甚至我们身体里的植入物。
在其核心，第一性原理计算是一台用于计算一个基本量的机器：一组原子的总能量。从这个单一而强大的理念出发，一个充满无限应用可能性的宇宙就此展开。
想象你是一位试图设计新催化剂的化学家。你必须回答一个关键问题：反应物分子与催化剂表面的结合有多强？如果键太弱，分子会飞走而不反应。如果键太强，它们会永久地粘附并堵塞表面。存在一个结合强度的“金发姑娘”区。通过实验找到这个区域是一个艰苦的试错过程。但有了我们的虚拟实验室，我们可以简单地计算它。我们计算孤立表面和孤立分子的总能量。然后，我们计算组合系统的总能量，即分子停留在表面上。能量差恰恰就是我们寻找的吸附能。这个简单的减法使我们能够通过计算筛选数百种潜在的表面，引导实验者走向最有希望的候选者。
这种预测反应能的能力正在彻底改变我们寻求更优技术的进程。考虑一下驱动你正在阅读此文的设备的电池。它的电压——衡量其性能的关键指标——是其内部化学反应释放能量的直接结果。为了发明更好的电池，我们需要找到既能提供更高电压又保持稳定和轻便的材料。利用第一性原理计算，我们可以在计算机上设计新颖的正极材料，计算它们锂化和脱锂化状态的总能量，并由此直接预测电池的开路电压。我们可以在实验室合成哪怕一克材料之前，就在硅片上设计和测试新电池。
电子世界是这些方法大放异彩的另一个领域。半导体是每个计算机芯片的核心，其功能对杂质和缺陷极为敏感。一个错位的原子就可以将材料从绝缘体变为导体。第一性原理计算使我们能够在一个完美的晶格中放置一个缺陷，然后提问：它会做什么？它会提供一个电子，成为“施主”，还是会接受一个电子，成为“受主”？我们可以计算一个被称为*热力学电荷转变能级*的量。你可以把它想象成决定一个缺陷改变其电荷状态难易程度的能量“临界点”。通过计算这些能级，我们可以预测掺杂半导体的电子行为，并理解如何以原子级的精度来设计它们的性质。
第一性原理计算的力量远不止于预测静态性质。它们充当一座桥梁，将电子和原子核的量子世界与化学反应、生物功能和实验测量的宏观世界连接起来。
分子并非原子的静态排列；它们处于振动、旋转和反应的持续、狂热的舞蹈中。要模拟这场舞蹈，我们需要知道它展开的“地貌”——即*势能面*（）。PES是一张描绘了系统在每一种可想象的原子排列下的能量地图。第一性原理计算是绘制这片地貌的完美工具。通过计算成千上万种不同分子几何构型的能量和力，我们可以拼接出一张详细的高维地图。这个过程的一个关键方面是确保地图尊重自然界的基本对称性；例如，在甲烷分子（）中，如果我们交换任意两个无法区分的氢原子，PES必须保持不变。一旦我们有了这张地图，我们就可以在上面释放虚拟分子，观察它们移动、振动和反应，从而从头开始模拟化学动力学。
这种桥接能力延伸到了生物学和医学这个惊人复杂的领域。想象一下设计一种新的人工髋关节植入物。它的成功取决于它与身体的整合程度，这个过程称为骨整合。这个过程始于身体中的蛋白质（如纤连蛋白）附着到植入物表面。这种附着引导细胞粘附和生长，形成新骨。整个级联反应是由蛋白质上的几个原子与材料表面的几个原子之间的相互作用引发的。多尺度建模的一个绝佳应用展示了我们如何从第一性原理出发设计这种相互作用。我们可以从DFT开始，计算金属合金表面的一个基本电子性质，比如它的“d带中心”。这个量子层面的性质反过来决定了与纤连蛋白中关键氨基酸序列的化学键合能。通过调整合金的成分，我们可以调节d带中心，以达到一个目标吸附能——不太强，也不太弱——从而实现细胞粘附的最佳效果。在这里，我们看到一条从薛定谔方程到再生医学的直接、可预测的联系。
此外，第一性原理计算是实验不可或缺的伙伴。一位使用X射线吸收谱等技术的实验者可能会得到一张充满复杂峰和波动的谱图。它们意味着什么？通过建立材料原子结构的计算机模型并从第一性原理模拟光谱过程，我们可以生成一个理论谱图。如果我们的模拟谱图与实验相符，我们就发现了产生该谱图的结构。更强大的是，我们可以扮演原子尺度的侦探。我们可以问，“如果我把这个键角弯曲5度会发生什么？”我们再次运行模拟，看到谱图中的一个特定峰发生了移动。突然之间，我们明白了这个峰就是那个键角的直接标志。计算变成了一块罗塞塔石碑，将实验谱图的神秘语言翻译成清晰、直观的3D原子几何语言。
征途远未结束。这个领域正不断朝着更高精度、更大系统和更复杂现象的方向推进，从解释世界走向真正地预测世界。
最重要的挑战之一是温度。许多基础计算是在绝对零度（ K）的理论温度下进行的，但我们的世界是温暖的。原子因热能而不断振动。这种运动可以拉伸化学键，并且更微妙地，改变电子能带结构本身。目前最先进的方法已经可以包含这些效应。通过计算晶格如何振动（声子）以及这些振动如何与电子耦合，我们可以预测关键性质（如半导体的本征载流子浓度）如何随温度变化。这是朝着创造在现实条件下运行的真实材料的“数字孪生”迈出的巨大一步。
随着问题变得越来越复杂，我们也必须变得更加聪明。有时，单一方法是不够的。对于一个非常大的系统，比如一个蛋白质，我们可以采用“分而治之”的策略。对于蛋白质中那些与我们已经见过的结构相似的区域，我们可以使用快速的、基于模板的方法。但对于一个没有已知亲缘关系的新颖结构域，我们可以释放第一性原理（或ab initio）预测的全部、无偏见的力量，从头开始构建它[@problem-id:2104554]。在化学中，我们常常面临精度和速度之间的权衡。最准确的“黄金标准”方法对于大型反应网络来说太慢，而更快的“主力”方法可能不够精确。解决方案是一种多保真度方法：我们对代表性反应进行少量超高精度的计算，以创建一个基准。然后，我们使用这些高水平数据来找到一个系统性的校正方案——可以说是一组“修正因子”，但它们是基于物理动机的——来全面改进我们更快方法的结果。这种务实的策略使我们能够以可控的成本实现高精度。
也许最令人兴奋的前沿是第一性原理计算与人工智能（AI）的结合。一个标准的DFT计算涉及一个迭代过程来找到基态电子密度，这在计算上可能非常耗时。如果一个AI模型能够学习从电子密度的初始猜测到最终正确答案之间的复杂映射呢？研究人员现在正在用已完成的DFT计算的庞大数据库来训练深度神经网络。AI学习量子力学的微妙关联，然后可以一次性预测最终密度，完全绕过昂贵的迭代循环。这有望将计算速度提高几个数量级，为模拟前所未有规模和复杂性的系统打开大门。
从简单的能量相减到自学习量子力学引擎的设计，第一性原理计算的应用既广泛又深刻。它们代表了基础物理学的一大胜利，为我们提供了一个工具箱，不仅可以用来理解物质世界，还可以逐个原子地设计它，共创更美好的未来。