分子动力学

传统分子动力学时间步进以邻居列表和成对力计算为主，访存密集而算术强度有限。

对MLIP而言，能量面的微小偏差会在长时间分子动力学中放大为轨迹漂移，因此精度分层是必需项。

数字孪生方向的可行性依赖于密度泛函理论、分子动力学等计算化学方法的精度提升以及 GPU 集群算力成本下降，当前仍受限于模拟精度与真实实验之间的系统性偏差。

分子动力学结合机器学习势函数是目前处理有限温度性质问题的常用手段，但计算量远高于单点性质预测。

在分子动力学中，目标分布通常是玻尔兹曼分布，即高能量构型的概率按指数衰减。