玻尔百科在探索理解和预测我们周围世界的过程中，科学家有两种基本方法：从过去的经验中学习，或从基本规则出发进行推理。第一性原理建模体现了第二种方法，为从头开始构建现实提供了一个强大的范式。该方法不依赖类比或预先存在的数据，而是从最基本的自然法则——量子力学的终极规则手册——出发，推导复杂系统的行为。本文旨在解决为那些经验数据不可用或不可靠的新颖系统进行预测的挑战，展示如何从零开始构建知识。在接下来的章节中，您将发现这种“从头开始”理念的核心概念，探索其令人难以置信的力量及其巨大的成本。第一章“原理与机制”将阐释其核心思想，从求解薛定谔方程到计算复杂度的权衡。随后，“应用与跨学科联系”将揭示这些基础计算如何成为连接几乎所有科学和工程领域的桥梁，将原子的隐藏语言转化为可触及的、真实世界的结果。
想象一下，你想预测一场国际象棋比赛的胜者。你有两种方法。第一种方法是查询两位棋手的历史战绩。棋手A在对阵这类对手时赢了80%的比赛，而棋手B只赢了40%。你可能会合理地预测棋手A会赢。这是一种经验方法——它基于过去的数据和经验。这种方法速度快，而且通常很有效。
第二种方法是完全忽略他们的过往记录。取而代之，你利用国际象棋的规则——兵如何移动，马如何移动，以及将死对方的目标——和棋盘上当前的棋子布局。仅从这些基本规则出发，你尝试计算所有可能的走法序列，并确定最佳结果。这就是第一性原理建模的精髓。你不是依赖类比或过去的经验，而是从游戏的基本规则中推导出结果。
本章讲述的就是第二种思维方式。它关乎理解世界，不是通过在已发生的事情中寻找模式，而是从我们所知的最基本的自然法则出发，一步步地构建现实。
科学的核心是寻找基本定律。对于原子和分子的世界，那个终极规则手册就是量子力学。每个电子、每个化学键、每个反应的行为都由其方程控制，主要是薛定谔方程。一个真正的第一性原理，或ab initio（拉丁语，意为“从头开始”）模型，就是拿着这本规则手册，试图直接解决问题，而不偷看答案。
考虑描述一个分子的能量如何随着其原子移动而变化的任务——这幅图被称为势能面（PES）。这幅图至关重要；它的谷对应稳定的分子，而它们之间的山隘是控制化学反应的能垒。
创建这幅图的一种方法是使用经典力场。这就像有一张预制好的“小抄”。对于常见的原子排布，比如碳-氢键，我们用一个简单的弹簧来表示。对于键之间的角度，则用另一个弹簧。这些弹簧的刚度及其理想长度不是从基本理论推导出来的，而是经过微调以匹配一个已知简单分子库的实验数据的参数。这种方法快速而强大，但它的“小抄”仅对与用于创建它的分子相似的分子有效。如果你遇到一种全新的分子，你的力场可能会给出完全无意义的结果。
相比之下，ab initio 方法则抛弃了小抄。对于势能面上的每一种原子排布，它都费力地从头开始求解薛定谔方程，以找到真实的电子能量。无论分子是怪异还是奇特，量子力学的定律都是普适的。这赋予了 ab initio 模型令人难以置信的预测能力。它们的优势在于其可移植性：同样的基本原理可以应用于任何地方的任何系统。
这就是为什么，例如，像构造原理这样简单的经验法则可以很好地解释大多数原子的电子排布，但却在铬（Cr）和铜（Cu）等元素上著名地失败了。这些并非物理定律的“例外”，而只是简化规则失效的情况。一个完整的 ab initio 计算通过直接计算能量，正确地预测了这些“反常”排布，因为它不使用简化规则——它查阅的是终极规则手册。
如果第一性原理方法如此强大和普适，我们为什么不将它们用于所有事情？答案与你扔棒球时不去计算每个空气分子轨迹的原因相同：计算成本是天文数字。
这一挑战在蛋白质折叠问题中得到了完美体现。蛋白质的功能由其错综复杂的三维形状决定。根据热力学假说，蛋白质的氨基酸序列应包含将其折叠成最终、能量最稳定形状所需的所有信息。这是一个第一性原理的思想。一次 ab initio 蛋白质结构预测正是试图这样做：从序列开始，通过计算所有原子间的力，在无数种可能性中找到能量最低的那一种形状。
问题在于可能性的数量之庞大。一个小蛋白质可以有天文数字般的潜在构象。试图找到唯一正确的折叠方式，就像试图在全世界所有海滩上找到一粒特定的沙子。这就是所谓的Levinthal 悖论。在这种巨大的构象空间中进行计算搜索，是 ab initio 建模如此困难并常被视为最后手段的根本原因。
因此，我们面临一个权衡。当我们有一个好的模板——一个序列相似且结构已知的蛋白质——我们就会使用一种称为同源建模的捷径。这是经验方法：假设未知的蛋白质会像它已知的“亲戚”一样折叠。但是，当我们面对一个没有已知“亲戚”的全新蛋白质时，我们别无选择，只能求助于第一性原理，勇敢地在构象空间中进行残酷的搜索。
“第一性原理”的思想并不仅限于量子领域。它是一种可以应用于任何尺度的哲学。关键在于确保推理链条不被经验假设所打断。这就是多尺度建模的世界，我们在其中构建一座从微观到宏观的桥梁。
想象一个癌肿瘤在体内扩散。这是一个涉及遗传学、化学和力学的极其复杂的过程。一个理解这一过程中物理部分的第一性原理方法可能如下所示：
键的层面： 我们从控制单个整合素键的基本规则开始——这是细胞用来抓住其周围环境的分子“魔术贴”。利用量子化学或详细的实验，我们理解了这个键的寿命如何依赖于作用在其上的拉力。这是我们的第一性原理。
细胞的层面： 然后，我们使用这些规则来模拟一个完整的黏着斑，这是一个包含数千个此类键的区域。通过将所有活性键的力相加，我们可以计算出细胞对其环境施加的总牵引力。
组织的层面： 最后，我们模拟整个由数千个细胞组成的肿瘤球状体，所有细胞都在拉动周围的组织。通过将所有细胞的牵引力相加，并确保各处力都平衡（毕竟，牛顿定律也是一个第一性原理！），我们可以预测整个组织中的应力场和变形。
这是一种自下而上的方法。每一层都建立在下一层严格定义的规则之上。我们不是猜测组织行为的规则，而是在推导它。这里的“第一性原理”是连接从单个分子到整个肿瘤的每个尺度的逻辑和物理一致性。当然，这极具挑战性，但它提供了一种纯粹描述性的、自上而下的模型（例如，“让我们假设组织的行为像一团果冻”）永远无法提供的理解。
如果我们能兼得两者的优点呢？既有第一性原理的准确性，又有接近经验模型的速度？这是一个新一代工具背后的巧妙思想，例如机器学习原子间势。
其过程如下：我们首先对一种材料在各种构型下进行大量高精度但非常缓慢的 ab initio 计算。这为我们提供了一个可靠的“正确”能量数据集。然后，我们训练一个灵活的机器学习模型，如神经网络，来学习从原子位置到能量的映射。
但这里有一个绝妙的技巧。我们不只是让机器学习模型随心所欲。我们将物理学的基本对称性直接构建到其架构中。例如，我们知道，如果我们只是旋转或在空间中移动一个孤立系统，它的能量不会改变。同样，能量也不应依赖于我们如何任意标记原子——同类型的原子#1和原子#2是可互换的。我们强制神经网络遵守这些不变性原理。
这样做，我们就是在“植入”第一性原理。模型不必浪费时间从数据中学习这些基本规则；它们已经是其DNA的一部分。结果是一个学习效率更高、泛化能力更强的模型，以极小部分的计算成本提供接近 ab initio 的准确性。这是蛮力数据与优雅物理原理的精妙结合。
第一性原理建模的旅程通向一个最终而深刻的目的地：一种新的智识上的诚实。即使是我们最基本的理论有时也只是近似。例如，描述质子和中子之间相互作用的理论可以写成一个展开式，就像数学中的无穷级数，而我们会在几项之后截断计算。如果我们自己的“第一性原理”本身就是不完整的，我们如何能相信一个预测呢？
最先进的答案是使用第一性原理来为我们自己的无知建模。在核天体物理学等领域，当计算中子星内部的物质状态时，研究人员不仅仅计算一个答案。他们构建了复杂的统计模型，明确地考虑了计算中每个部分带来的不确定性。
通过对每个不确定性来源进行建模，并将其在整个计算过程中传播，最终结果不是图上的一条线，而是一个“置信带”——一个诚实地代表我们知识和无知全部范围的阴影区域。该模型受到基本物理定律的约束，例如信息传播速度不能超过光速的要求（因果性）。
这也许是第一性原理哲学的终极体现。它不仅承诺从基本规则中推导出我们所知道的，而且还承诺使用这些相同的规则来严格定义我们知识的边界。这是一种对自己诚实的方式，承认我们的模型试图描述的宇宙是美丽、复杂且常常不确定的。并且，像任何优秀的科学工具一样，第一性原理模型的可靠性取决于使用它的科学家；对底层物理的深刻理解对于避免那些微妙但关键的错误至关重要，比如用错了工具。
熟悉了 ab initio 建模的基本原理后，我们可能感觉自己像一位钟表匠，终于理解了每一个齿轮和弹簧的复杂机械原理。然而，真正的乐趣不仅在于理解这些零件，还在于看到它们如何协同工作来报时——或者在我们的例子中，来描述宇宙。这些基本的量子力学计算如何与我们看到、触摸到和构建的世界联系起来？这才是故事真正激动人心的地方。第一性原理建模不是一个孤立的理论物理岛屿；它是一个基础基石，我们在此之上构建通往几乎所有其他科学和工程学科的桥梁。它是我们最忠实的翻译，将量子力学的隐藏语言转化为宏观世界的有形现实。
第一性原理建模最直接、最强大的应用之一是解读实验数据。实验通常会产生一张图、一张谱——图表上的一系列波动。这些是大自然的足迹，但究竟是什么生物留下的呢？没有理论框架，谱图就只是一种模式。第一性原理计算就像一块罗塞塔石碑，让我们能够破译这些模式，揭示其底层的原子和电子结构。
考虑一下X射线近边吸收结构（XANES）技术。实验者用X射线轰击一种材料，并测量它们如何被吸收。结果是一张复杂的光谱。人们可能会观察到一个细微的凸起或谱峰的轻微移动，但这意味着什么呢？通过进行 ab initio 多重散射计算，理论家可以从头开始模拟这个过程。他们求解一个光电子从原子中被弹出并被其邻近原子散射时的薛定谔方程。计算结果显示，光谱中的特定特征对局部几何结构极为敏感。键角从完美的 变为 可能会因为原子不再完美对齐而失去“聚焦效应”，从而导致谱峰急剧减小。突然之间，实验数据中神秘的凸起变成了材料原子键扭曲的清晰信号。计算将一个抽象的信号转化为了材料结构具体的三维图像。
这种合作关系延伸到了结构生物学等领域。想象一下，你发现了一种新蛋白质，但它顽固地拒绝结晶，使得用X射线晶体学方法绘制其原子图谱成为不可能。你仍然可以通过一种叫做小角X射线散射（SAXS）的技术来获得其整体形状的线索，这项技术本质上捕捉了蛋白质在溶液中翻滚时的“影子”。这给你一个一维的散射曲线——同样，只是一张图上的曲线。如何从一维的影子得到三维的形状？在这里，可以使用 ab initio 建模程序。从零开始，没有任何模板，计算机算法尝试构建一个低分辨率的形状，通常表示为一群“虚拟原子”，使其能够投射出实验中观察到的精确影子。通过找到最符合数据的形状，我们可以生成一个可靠的蛋白质整体形态模型，为我们提供其功能的关键线索。在这两个例子中，第一性原理方法提供了将实验数据转化为物理洞察力的关键环节。
虽然我们很想认为可以通过大规模的 ab initio 计算来解决任何问题，但明智的科学家，就像一个好的战略家，知道何时使用他们最强大的武器，何时依赖其他工具。第一性原理方法的计算成本不容小觑，其真正的效用常常体现在它们如何被巧妙地整合到一个更大的建模工作流中。
一个绝佳的例子来自蛋白质结构预测。假设你需要为一个由两个不同部分（或称域）组成的大蛋白质建模。序列分析显示，第一个域与许多结构已知的其他蛋白质高度相似，而第二个域则是全新的。如果仅凭序列就使用计算要求极高的 ab initio 方法来预测整个蛋白质的结构，那将是愚蠢且低效的。“分而治之”的策略要优越得多。对于第一个域，我们可以使用一种更简单、更快速的技术，称为同源建模，它使用已知结构作为模板。对于完全未知的第二个域，由于没有模板存在，我们动用 ab initio 预测的全部力量。最后一步是组装这两个部分，创建一个既准确又以极小部分计算成本获得的完整模型。
这种使用高精度 ab initio 计算作为“金标准”来指导要求较低的方法的思路，是现代计算科学的基石。考虑计算[化学反应速率](@entry_id:185114)的任务。反应进行的速率对其活化能、熵以及量子隧穿效应（特别是对于像氢这样的轻原子）非常敏感。虽然像耦合簇理论（通常被称为金标准）这样的高水平量子化学方法可以以极高的精度计算这些量，但它们速度太慢，无法用于复杂化学网络中成千上万的反应。一个更实际的方法是使用一种更快但精度较低的方法，如密度泛函理论（DFT），来完成大部分工作。我们如何确保准确性呢？我们对一组有代表性的反应进行少量昂贵的“金标准”计算。然后，我们将金标准结果与DFT结果进行比较，并计算出系统的校正或校准。这种校准必须分别考虑活化焓（）、熵（）和隧穿因子（）中的误差，然后可以应用于所有低成本的DFT计算。这就像使用一个超高精度的原子钟来校准数千个廉价的手表，有效地将昂贵方法的准确性转移到更广泛的问题范围中。
也许第一性原理建模最深远的影响在于它作为多尺度建模金字塔基础的角色。宇宙对于原子、材料和机器并没有不同的定律；它只有一套定律——量子力学——在不同尺度上以不同方式表现出来。第一性原理建模使我们能够计算出支配更高层次描述行为的基本参数，从而创建一条从电子到引擎的无缝、基于物理的解释链。
想一想是什么使材料坚固或脆性。在裂纹尖端，一场战斗在激烈进行：材料是会劈裂开来，破坏原子键，还是会通过允许原子平面相互滑移而优雅地变形？结果取决于这两个相互竞争过程的能量成本。第一性原理计算可以直接从量子力学中给出这些能量：解理表面能 ，即创建两个新表面的成本；以及非稳态堆垛层错能 ，即形核一个滑移事件（位错）的能垒。这两个诞生于薛定谔方程的数字，随后可以被传递给连续介质工程断裂模型。它们成为预测材料在应力下是韧性还是脆性的判据中的基本、非经验参数。这是从化学键的量子性质到材料宏观失效的直接、定量的联系。
这种范式几乎延伸到材料科学和工程的每一个角落。
设计电子学的未来： 计算机芯片的可靠性可能取决于其绝缘层中单个错位的原子——一个缺陷。第一性原理计算可以确定这种缺陷的形成能及其“电荷跃迁能级”，这些能级决定了缺陷捕获或释放电子的难易程度。这些微观参数直接输入到半导体器件模型中，用于预测宏观漏电流，并最终预测整个器件的寿命。同样，在利用电子自旋进行存储和逻辑运算的自旋电子学领域，第一性原理方法是不可或缺的。它们计算诸如自旋霍尔电导率（）和界面自旋混合电导（）等基本量，这些量支配着电流如何操控自旋。这些参数随后被输入到器件级的输运模型中，以设计更高效的自旋电子学组件。
为极端环境工程设计材料： 考虑一个由复杂高熵合金（HEA）制成的喷气发动机涡轮叶片。在极端温度下，它会缓慢变形，这个过程称为蠕变。这种蠕变最终由原子的运动决定，原子在空位的帮助下在晶格中跳跃。在HEA令人困惑的化学复杂性中，每个空位和每个潜在的跳跃都有略微不同的能量。第一性原理计算可用于计算这些空位形成能和迁移能的分布。通过统计力学的视角，这个微观的能量景观被平均化，从而得出宏观的扩散系数（晶格为 ，晶界为 ），这些是预测叶片使用寿命的工程模型的关键输入。
揭示奇异的量子物质： 有时，对固体中电子的完整量子力学描述是极其复杂的。然而，通常最有趣的性质，如在拓扑绝缘体中，源于电子态的集体“拓扑”。在这里，第一性原理计算可以进行一种概念上的提炼。它们采用完整、复杂的能带结构，并使用一种称为Wannier函数的数学工具构建一个更简单、“有效”的紧束缚模型。这个简化模型舍弃了无关的高能细节，但忠实地捕捉了所有的低能物理和拓扑特性，使科学家能够理解和分类这些奇异的物质状态。
模拟生命的机器： 即使是生命分子也不是刚性物体；它们的电子云是柔软且可极化的，不断响应邻近分子的电场。为了准确模拟蛋白质和DNA的舞蹈，我们需要捕捉这种电子响应。第一性原理计算可以精确地确定每个原子的电子云在电场中如何变形——即其原子极化率张量 ()。这些源自纯量子力学的张量，随后被用作参数来构建下一代“可极化力场”。这些先进的经典模型使我们能够以前所未有的物理真实性水平对巨大的生物系统进行分子动力学模拟。
从解释一个实验信号到预测一个喷气发动机的寿命，从设计一个新的存储设备到模拟生命分子错综复杂的舞蹈，第一性原理建模是终极的桥梁。它是一个工具，让我们能够运用我们对宇宙最基本的理解——量子力学定律——来解释、预测和改造我们周围的世界。它体现了科学的统一性，编织了一条从最小尺度到最大尺度，从理论到应用的理解之线。