先知道任务该交给谁

科研工具像课程小组的分工：有人处理结构，有人做计算，有人画图排版。先学会选工具、交代任务和检查产物，具体操作用到时再学。 本课由 AI 协助执行，不要求手写代码。

一、化学侧：三个工具，各司其职

ChemDraw 像精心做一张海报；VESTA 像进入游戏场景转动视角；RDKit 像给全班批量生成资料卡，调用交给 Agent 即可。

你仍要核对：ChemDraw 的键、电荷和立体信息；VESTA 的晶胞与成键显示设置；RDKit 的失败记录和处理规则。图画出来了，不等于结构或结论正确。

二、AI 侧：Cursor 与 Codex

两者用途有重叠，先熟悉一个即可。交代任务时说清：用哪些材料、完成什么、保留什么、交付什么、怎样验收。 代码交给 AI，问题和结果由你判断。

能处理文件，不代表能点击 ChemDraw、VESTA 或 PPT 的界面，这取决于接入了哪些工具。无需自己搭建 harness。

三、论文侧：PPT、SVG 与 LaTeX

SVG 是格式不是软件；嵌入其中的位图不会因此变清晰。数据曲线应从真实数据生成再放进 PPT。提交前检查 PDF 的文字、图号、引用与清晰度，并保存图源。

四、还值得认识的工具

• Zotero：管理论文、PDF 和引用，建议尽早使用。
• Excel / Matplotlib / Origin：查看数据、抽查数值、生成统计图，按习惯选择。
• Inkscape：编辑 SVG、对齐元素、统一字体和导出图稿。
• ASE / pymatgen：处理原子与晶体结构，结构数据章节再用。
• OVITO：查看模拟轨迹与结构变化，分子动力学章节再用。
• Git：记录和比较项目修改，像带说明的游戏存档；可由 Agent 操作。

不必全部安装。先选一个 AI 工作台，配好当前任务的专业工具，再逐步补齐。

五、把工具连起来

做分子分析时：AI 调用 RDKit 处理分子表并出统计图，重要分子用 ChemDraw 表达，PPT / Inkscape 组合图版，放进 LaTeX，用 Zotero 管引用。晶体项目按需用 VESTA，不必强行用齐。

下载 第零部分练习包，在 AI 工作台中打开，交代：

请阅读 README，使用已有脚本分析教学数据。保留原始文件，另存图片、统计结果和运行记录，说明我应怎样抽查；无法执行时请说明原因。

练习数据为人工构造的 E(r) = 2(r − 1.1)²，r 用 Å，E 用 eV/教学构型，系数单位 eV/Ų，不是实验或 DFT 结果。核对 10 条记录、均值 0.1700 eV、最小值 0、最大值 0.5000 eV，再检查图轴和记录。

数字后面的单位，是这条数据的一部分

同学说“我考了 4”，你无法判断好坏：四分制绩点、百分制，还是一道题的得分？数字离开了规则，就失去了可比较的含义。

原子计算也一样。文件里写着 energy = -12.3，还需要知道：什么单位、哪个体系、总能量还是每原子能量、采用什么参考与方法。本节解决单位与计数口径，计算设置和稳定性判据留到 DFT 部分。

目标是会看单位、会换单位、会判断运算是否合适，并能发现明显的数量级错误。 常数不必背，知道该查哪一项就行。

一、物理量、数值、单位与量纲

物理量 = 数值 × 单位。 500 m 和 0.5 km 是同一段路。量纲表示它属于哪类量：m、nm、Å 都是长度，s、ms、fs 都是时间。

游戏里“移动速度”和“攻击力”都是 100，加起来得 200 毫无意义。只有量纲和对象含义都合适，两个量才能相加或比较：5 m 与 20 cm 统一单位后可以相加，5 m 与 20 s 不行。

量纲相同只是第一步。原子数不同的体系，总能量即使都是 eV，也不能直接拿来判断谁更稳定。

二、科学计数法

原子尺度的数很小，一串 0 容易看错。0.000000001 m = 10⁻⁹ m = 1 nm。换刻度就像缩放校园地图，物体本身没变。

Agent 的输出里常见 1e-3，即 1 × 10⁻³ = 0.001。这里的 e 是数字写法，和 eV 无关；负指数表示小数，不表示负数。

三、Å、nm 与原子尺度的长度

Å 读作“埃”，是结构文件中常见的长度单位：1 Å = 10⁻¹⁰ m；1 nm = 10 Å，所以 2.5 Å ÷ 10 = 0.25 nm。换成更大的刻度，份数更少——先想方向再套公式，就不容易乘反。

常见化学键约 1–3 Å，这只是直觉参考，不是硬阈值。若某个距离变成 15 Å 或 0.15 Å，先查是不是把 nm 和 Å 搞混了。

分数坐标中的 0.5 表示半个晶格向量，而不是 0.5 Å，要结合晶胞才能变成实际长度。打开坐标文件，先确认格式。

四、eV、meV 与 Hartree

eV 是一个元电荷跨过 1 V 电势差对应的能量：1 eV = 1.602176634 × 10⁻¹⁹ J = 1000 meV。

Hartree（Ha、Eₕ）常见于量子化学：1 Ha ≈ 27.211386 eV，例如 0.1 Ha ≈ 2.721139 eV ≈ 2721.139 meV。让 Agent 给出换算系数与来源，你抽查一个数即可。

误差写成 20 meV/atom 即 0.020 eV/atom，不能直接和整个体系的误差比较；/atom 和单位本身同样重要。

五、为什么 kJ/mol 要多想一步

“每人花 10 元”和“全班花 10 元”口径不同。1 mol 含 6.02214076 × 10²³ 个指定单元——原子、分子或一次反应，必须说清是哪一种。

1 eV/单元 ↔ 96.485332… kJ/mol（相同单元）。 这一步既换了能量单位，又从一个单元扩展到一摩尔。例如每个反应单元能量差 0.05 eV，对应 0.05 × 96.485332… ≈ 4.8243 kJ/mol。反过来就除以 96.485332…。“一个晶胞”“一个原子”“一个化学式单元”不能混用；比较论文数值前，先核对反应式与计量系数。

六、总量与平均量

两个班总分 3000 和 4000，不能直接说后者人均更高。4 个原子的构型总能 −20 eV，按原子归一化是 −20 eV ÷ 4 = −5 eV/atom；能否与另一体系比较，还取决于组成、参考态和计算设置。

练习数据中的 energy_ev 是每个教学构型的能量。不能为了数字好看就擅自改成每原子能量，否则脚本和图标签都要跟着改。

能量的零点也是约定，就像地图可以把出生点或海平面记为 0。负能量本身不等于稳定，比较时要用一致的参照和方法，并考虑竞争相。

七、力、应力与时间：用单位检查公式

力是能量随位置的变化率，单位为 eV/Å：1 eV/Å = 1.602176634 nN。应力是能量/体积：1 eV/ų ≈ 160.217662 GPa。力除以长度不是应力——这类错误不用算数就能查出来。

公式 E(r) = a(r − r₀)² 中 r 用 Å、E 用 eV，a 就必须是 eV/Ų。不懂整个模型，也能检查单位是否自洽。

1 fs = 10⁻¹⁵ s，1 ps = 1000 fs。 步长 1 fs 跑 1000 步是 1 ps，就像一帧时长乘帧数才是整局时长。这只是换算示例，合适步长取决于体系和算法。

温度是加法换算：T(K) = t(°C) + 273.15，26 °C 即 299.15 K；但升高 1 °C 就是升高 1 K。代入需要绝对温度的公式时用 K。

八、程序不会替你理解单位

程序只认数字：0.1 Ha 加 0.2 eV 也能算出一个看似正常的数。要求 Agent 列名标明单位（如 energy_ev），图轴和记录写出单位，跨文件转换时保留原始列并说明每次转换。你负责检查这些说明与物理含义是否一致。

请核对这份数据各列的物理量、单位与计数口径，标记信息缺失的列。需要换算时保留原始数据，另存转换结果，并列出换算关系与一个抽查示例。不要把不同口径的量直接混合比较。

模型常做的“减均值、除标准差”叫标准化，参数来自数据，与 Å 换 nm 不同。第一部分会详讲，现在别把缩放后的数字当成新单位。

九、换算速查与交作业前的检查

交出结果前问四件事：哪个物理量？哪个单位？哪个计数口径？数量级是否合理？

十、练习与自查

1. 将 2.5 Å 换成 nm，将 25 meV/atom 换成 eV/atom。
2. 某个明确定义的反应单元能量差为 0.05 eV，换成每摩尔同一反应单元的 kJ/mol。
3. 一个有 8 个原子的构型总能量为 −24 eV。每原子能量是多少？仅凭这个负值能判断它稳定吗？
4. 力为 0.2 eV/Å，换成 nN；步长 0.5 fs、运行 2000 步，对应多少 ps？
5. 某同学把坐标从 Å 换成 nm，却保留“对坐标求导得到的力”的原数值和原单位。该检查什么？

常数可在 NIST CODATA 基本物理常数数据库 查阅。本页 eV 与阿伏伽德罗常数采用 SI 定义值，Hartree 换算保留了入门所需的近似精度。

Agent 执行任务，结果也要能追溯

同学交来一张漂亮的图，却没留原始表格和处理过程，下一位就很难接手。让 Agent 完成计算后，同样要留下足够信息，让自己或别人能重跑、能检查。

这像保存游戏进度：除了分数，还要知道关卡、版本、角色配置和进行到了哪一步。本节不要求手写程序或记 Git 命令，重点是让 Agent 留下可核查、可交接的工作记录。

一、给资料与结果安排固定位置

“最终版”“最终版2”“真的最终版”说不清每份结果用了哪组数据。让 Agent 按用途整理：

原始数据保留原样，清洗后的数据另存并写清规则。每次运行用新目录，避免覆盖；具体参数要存进文件，不能只靠文件夹名。

请按输入、程序、配置和运行结果组织这个练习。保留原始数据；每次运行独立命名。写一份简短说明，让接手的人知道从哪里开始、如何复跑、去哪里看结果。

二、参数：写下“这次怎么做的”

练习包的配置控制三个设置：直方图分组数 5，随机抽查样本数 3，随机种子 42。修改时说清只改哪一项，例如“只把分组数从 5 改成 10，其余不变，另存结果”，再查运行记录确认。一次改很多项，结果变了也说不清原因。

三、随机种子：相同起点，不等于所有条件相同

游戏的世界种子配合同样的生成规则，能重现同一张地图；程序里的伪随机数也由种子决定初始状态。本练习中种子只决定抽查哪几条记录，十条数据的均值不应随种子变化——可以让 Agent 分别用 42 和 7 运行对比。

但游戏更新会改生成规则，软件版本、算法、硬件和并行方式同样会影响计算。只记住“seed = 42”，不能保证每台机器都得到逐位相同的结果；涉及模型训练时，还要考虑多次运行之间的差异。

四、环境、代码与 Agent 的记录

让 Agent 记录实际使用的 Python、依赖包、操作系统和复跑方式，并区分“安装清单”与“实际装上的版本”。

Git 是带修改说明的作业历史。你不用记命令，可以让 Agent 展示改动差异并按约定保存版本。Git 提交不等于异地备份，重要数据还要另有可靠的存放处。

同一句话交给不同模型，未必生成同样的程序，所以要保存实际执行的脚本与配置，而不只是聊天记录。若要比较 Agent 本身的表现，还应记录模型标识、工作台版本、工具条件和关键任务说明。

请保存实际环境与程序版本、此次任务说明、输入来源、参数和运行结果。给出已改动文件的简短说明；如果某项版本信息无法确定，请明确记录，不要猜测。

五、一次运行应留下什么

记录里的 SHA-256 摘要能判断文件字节是否改变，但不能证明数据含义正确；仅仅换行方式不同，摘要也会变。

六、练习：让 Agent 复跑，再检查差异

继续使用 0.1 的练习包：

请用同一输入、配置和环境，在两个不同的运行目录中各执行一次分析。比较统计结果、输入摘要、程序与参数。时间戳可以不同，请指出哪些字段应一致。随后只把直方图分组数从 5 改为 10，再运行一次，说明哪些结果变化、哪些保持不变。保留每次的产物。

预期：相同条件下统计结果一致；改分组数后直方图区间改变，样本数和平均能量仍是 10 与 0.1700 eV。再把种子改为 7 另存一次，抽查样本会变，均值不变。本练习没有模型训练，也没有训练集与测试集划分。

简单脚本可以直接核对数值；复杂计算要事先约定可接受误差并说明理由，不能看到差异后再随意放宽。

七、中断后，先查状态再继续

有结果目录不代表任务完成，脚本中途失败可能只留下部分文件。让 Agent 检查预期产物是否齐全，记录报错和已完成的步骤，再决定怎样继续。

这个练习很短，直接用新目录重跑即可，它没有断点续跑能力。工作台能恢复对话，不等于程序能从中断处恢复；长任务需要专门保存进度，第六部分会讲。

请根据已保存的文件确认当前状态，列出完成、失败和未开始的步骤。保留旧结果与错误信息，为下一次继续执行写清输入位置、当前参数和下一步操作。

八、把练习交给下一位同学

请同学或一个新的 Agent 会话只依赖项目文件重跑一次；或者隔一天自己再打开，看还找不找得到输入、结果和说明。如果回答要靠“我记得上次好像是这样”，就让 Agent 把缺失的信息补进记录。

把 AI 用成每天都能配合的学习伙伴

前三节准备了工具分工、单位口径和运行记录。现在把它们连成日常习惯：自己先理解任务，再用 AI 加速学习与执行，最后用证据检查结果。

靠谱的小组合作不是一个人做完、其他人只收文件。用 AI 也一样：具体操作可以交给它，但你要能提出问题、看懂结果、决定下一步。本节不考语法，完成标准是：面对新任务，你能说清自己知道什么、需要 AI 帮什么，以及怎样判断协作真的完成了。

一、开始前，先补到“能判断”的程度

玩新游戏不必背完装备数值，但要知道胜利条件和地图目标。以“分析一份能量数据”为例，开始前应知道：每行代表什么对象；能量是总能还是每原子；单位是什么；想比较分布、平均值还是稳定性；数据来自实验、计算还是教学构造。不懂的部分，先请 AI 用小例子解释。

我要分析这份能量数据。请先列出完成任务必须理解的三个概念，用校园或游戏里的例子解释，再回到这些概念在数据中的准确含义。每个概念给一道小题，先让我回答，再针对我的理解补充。

检验方法：不用 AI 的原句解释一遍，例如“我比较的是同一口径的能量分布，图不能证明材料可合成”。能说清这些，比复制一段漂亮定义有用得多。

二、读到陌生知识：解释、追问、复述

遇到“形成能”“分布外”“等变性”等术语，让 AI 先给直观解释，再给准确说法，最后指出类比在哪里不成立。比如用人均分理解归一化很方便，但不能推出“每原子能量越低就越稳定”。

1. 贴出正在读的段落或指明文件位置，请 AI 围绕这份材料解释。
2. 要一个足够小、能手工检查的例子。
3. 针对不懂的那一步追问，而不是反复要求“再详细一点”。
4. 用自己的话复述，请 AI 指出遗漏和错误。

AI 也会解释错。涉及定义、数据或论文结论时，回到教材、原文或官方资料核对，并要求它区分原文内容与自己的推断。

三、接到任务，先写一张任务卡

“帮我把实验做好”没说从哪开始、到哪结束。一张简短的任务卡能省去许多返工：

把任务说完整，比加上“你是顶级专家”“务必完美”更有用。Agent 能读的文件直接给路径，它访问不到的资料先提供内容。

四、做新流程，先跑一个小任务

就像先熟悉副本机制再挑战高难度，计算任务也先用几个样本跑通，确认理解一致再扩大范围。

先用少量样本把流程跑通，展示每一步读入什么、产生什么，以及一个可核对的结果。请估计扩大规模需要的时间与资源，并标明哪些只是估计。小任务检查通过后，再按约定范围继续。

检查点放在成本高、容易误解的环节，例如先确认一个结构文件读对了、单位正确，再处理整个数据库。小任务跑通只说明流程能执行，不说明方法有效——“程序能运行”和“科学结论成立”要分开判断。

五、遇到问题，把现场交给 AI

游戏掉线只说“进不去”很难排查。求助时说清：原本想做什么、实际发生什么、卡在哪一步、用了哪个输入、有什么报错。

目标是生成能量分布图，但这次运行只留下了一个空目录。请先检查实际日志、输入路径和环境，解释失败发生在哪一步，再修复并重新执行。保留旧记录，说明修复后检查了什么。

你不必亲手改脚本，但要能分辨错误类型：文件没找到、依赖不匹配、数据缺失、单位不清，还是算法本身不合适。AI 反复尝试同一种修复时，让它先总结已试过的办法和未验证的假设。

六、收到结果，固定问三个问题

第一，做的是我要求的事吗？ 核对数据、样本范围、单位、比较对象与输出形式。

第二，有可检查的依据吗？ 打开真实文件，抽查原始记录、图轴和统计值，重要数值用独立方法复核；来源性陈述要回到原文确认。

第三，结论超出证据了吗？ 画出分布不等于训练好了模型，已有数据上误差低不等于能预测所有新材料。让 AI 说明本次结果支持什么、还没验证什么，你再判断。

熟练之后，这三问会成为看结果时的自然动作。

七、结束时，留下下次能用的东西

同一个问题下次还从零描述，是最浪费的时间。让 Agent 把验证过的步骤、数据位置、常见错误和当前状态写进项目说明。

请整理这次任务：目标、实际输入、采取的方法、结果位置、已完成的检查、遇到的问题与解决办法，以及下一步。把确认过的信息写入项目说明，把仍不确定的内容单独标明。

某类任务反复出现后，再把稳定步骤整理成模板或 skill。先有真实经验再总结，别一开始就搭一套自己都用不明白的流程。

八、怎样知道 AI 真的让你更快了

“生成了很多文字”不等于“推进了任务”。更实际的指标是：多久得到第一个可核查结果，返工是否减少，下次能否复用，自己是否更能解释结果。

每周留一条简短记录：用 AI 解决了什么问题，哪次输出需要纠正，积累了什么可复用材料，还有哪个概念要补课。熟悉的任务可以多交给 Agent；遇到新体系、新指标或意外结果，就多抽查、多补背景。自动化程度随理解和证据提高，而不是看回答有多自信。

九、综合练习：完成一个小任务，也讲清楚它

继续使用第零部分练习包：

1. 先用自己的话解释数据的三列、单位和来源，写出这次想回答的问题。
2. 给 Agent 一张任务卡，请它完成统计、画图和记录。
3. 自己打开产物，抽查行数和数值，指出图能回答与不能回答的问题。
4. 用自然语言要求改变一个设置，比较结果，并让 Agent 留下交接说明。
5. 关掉对话，向同学用两分钟介绍输入、方法、结果和依据。可以看自己的记录，不必背诵代码。

后面每一章都重复这套习惯：掌握够用的基础，用 AI 加速解释和执行，用证据检查结果，把有效经验存下来。工具会变，这套协作方式会一直有用。

上一节，我们练习了先理解任务、再用 AI 执行、最后核查结果。现在把这套习惯用到化学上：在请 AI 画分子、整理结构或预测性质之前，先弄清楚图里的原子、连线和能量分别代表什么。

本节围绕三个问题展开：物质由什么组成，原子怎样连接，结构为什么会变化。 学完后，你应能检查一个简单分子是否画得合理，并解释为什么“能量更低”和“反应更快”是两件需要分别判断的事。

一、从原子开始：先分清元素与电荷

原子由原子核和电子组成。原子核里的质子带正电，中子不带电；核外电子带负电。质子数决定元素种类：6 个质子对应碳，8 个质子对应氧。相同元素的原子如果中子数不同，就属于不同的同位素。

可以借用校园学籍来记忆：更换座位不会让你换一个专业。同样，一个原子得到或失去电子，并不会改变它属于哪种元素；不过，它的电荷会改变。这个类比只帮助区分“元素身份”和“带电状态”，并不解释电子怎样运动。

当质子数与电子数相等时，原子呈电中性；失去电子后带正电，得到电子后带负电，这样的带电粒子叫作离子。例如，Na⁺ 仍是钠，但比中性钠原子少一个电子。整个分子也可以带电，例如 NH₄⁺。

接下来要关心电子，因为成键主要涉及价电子。对于本节常见的主族元素，可以先把价电子理解为参与成键的最外层电子。电子的状态需要用量子力学描述；入门时先掌握电子数、电荷和成键关系，具体计算留到 DFT 部分。

二、从电子到化学键：原子为什么连在一起

知道有哪些原子之后，还要解释它们为什么能形成结构。当原子靠近时，电子与原子核之间的吸引，以及电子之间、原子核之间的排斥会共同影响能量。若结合后的状态比相应的分离状态能量更低，就可能形成束缚状态。

这有点像组队打副本：了解队员名单之后，还得看他们怎样配合。不过，原子没有组队意愿，是否成键由物理相互作用决定。下面三种成键图像，适合用来建立最初的认识。

实际成键可以兼有不同特征，不必把每种材料硬塞进一个完全独立的类别。例如，水中的 O—H 键是共价键，但氧吸引成键电子的能力更强，因此电子分布并不均匀，氧端偏负、氢端偏正。这叫键的极性，其中的部分电荷不等于完整的离子电荷。

由此还能理解水分子之间的氢键：一个水分子的氢端，可以与另一个水分子的氧形成特定的吸引作用。这里要区分两个层次——水分子内部的 O—H 共价键，以及水分子之间的氢键。就像课程小组内的分工和不同小组间的合作，讨论前先说明关系发生在哪一层。

三、从化学键到结构式：数量相同，连接可以不同

有了成键的概念，就能开始读结构式。分子式告诉我们有什么、各有多少；结构式进一步告诉我们谁与谁相连。 例如，C₂H₆O 可以对应乙醇 CH₃—CH₂—OH，也可以对应二甲醚 CH₃—O—CH₃。两者的原子数量相同，连接关系却不同，因此是不同的物质，这种关系叫作构造异构。

这像同一批同学参加小组作业：名单相同，并不意味着分组关系相同。因此，把分子交给 AI 时，只给分子式有时不够，还需要明确连接关系。

为了检查这些连接，可以先记住常见中性小分子中的几条规律：H 通常形成 1 个键，C 通常形成 4 个键，N 通常形成 3 个键，O 通常形成 2 个键。这里计入键级：单键计 1，双键计 2，三键计 3。例如，O=C=O 中，碳连接两个氧，但两个双键的键级之和是 4。

这些规律适合初步检查，不是适用于所有化学体系的硬性规则。例如，NH₄⁺ 中的氮形成四个 N—H 键，同时需要标明正电荷。看到不常见的成键数量时，先检查电荷、电子状态和具体化学环境，再判断是否画错。 结构式中的形式电荷是一种电子计数记号，也不能直接当成原子真实电荷分布的测量值。

连接关系确认后，还要看空间形状。水分子虽然可以在纸上写成 H—O—H，真实几何却是弯曲的；孤立水分子的键角约为 104.5°。同样的连接关系也可能对应不同空间构型，单键转动还可以产生不同构象。这像知道教室里坐着哪些同学、谁与谁同组之后，还需要座位信息才能描述实际安排。

因此，读结构可以按三层推进：组成 → 连接 → 三维排列。 下一节 ChemDraw 主要帮助我们表达连接关系及必要的立体信息；三维坐标则需要进一步建立和检查。此外，氯化钠这类晶体通常不存在独立的“NaCl 小分子”，式子表示组成比例，周期排列会在 1.3 节展开。

四、从结构到能量：为什么距离不能随便改

既然三维排列很重要，接下来就要问：同样两个原子，靠近一点或远离一点，会有什么变化？以 H₂ 为例，两个氢原子相距很远时相互作用很弱；逐渐靠近，能量会下降；靠得过近，排斥作用又使能量迅速升高。因此，能量曲线上存在一个最低点，其附近对应平衡键长。

可以把这条曲线想成游戏地图中的一段地形：横轴代表原子间距，纵轴代表能量，谷底附近是较稳定的位置。不过，这里的“高度”只是能量的图像，并不是原子在真实空间里的海拔。真实分子也不是静止在谷底，原子会发生振动。

比较两个状态时，常写成 ΔE = E终态 − E初态。例如，在同一计算方法下，同一个中性分子的两个构象分别为 −10.0 eV 和 −10.2 eV，则后者比前者低 0.2 eV。负号本身没有特殊的稳定性含义，关键是参考一致时的差值。

这里也用到了 0.2 节的单位知识：先确认比较的是总能还是每原子能量，并核对组成、电荷和计算设置。就像比较游戏成绩前要核对模式、规则和计分口径，不同材料的总能数值不能直接拿来排稳定性；涉及不同组成时，还需要合理的参考态或配平反应。

五、从能量到反应：终点更低，还要看过程

化学反应会重新安排原子之间的连接。在普通化学反应中，各元素的原子数和总电荷守恒。因此，读反应式的第一步是配平。例如 2H₂ + O₂ → 2H₂O，两边都有 4 个氢原子和 2 个氧原子。配平能检查数量，却不能证明反应一定发生，也不能说明它有多快。

要理解能量变化，还须纠正一个常见误解：断开化学键需要能量，形成化学键释放能量。 一个反应最终吸热还是放热，要比较整个过程中的能量变化，不能只看到“断键”就说释放了能量。平均键能可以辅助粗略估算，但不能代替具体条件下的反应热计算。

即使产物状态更有利，从反应物到产物也往往需要先跨过能垒。仍用游戏地图来理解：目标区域比当前位置低，但路径上可能横着一段高坡。终点与起点的高度差，对应状态之间的能量差；必须先越过的坡，则帮助我们理解反应能垒。因此，反应是否有利与反应进行得快不快，需要分别判断。

催化剂的作用是提供另一条反应路径，降低相关活化能垒，像游戏地图中出现一条更容易通过的路线；它不会改变反应的始末状态，也不改变给定温度下的平衡常数。类比到这里即可：真实反应速率还受温度、浓度和具体机制等因素影响。

最后补上一条边界：前面用能量曲线建立直觉，而在恒温恒压条件下，判断反应的热力学方向通常要看 Gibbs 自由能变化 ΔG，其中还包含温度和熵的影响。现阶段先记住：一个结构的计算总能较低，不能单独证明它容易生成，更不能单独证明实验一定能合成。

六、自己先判断，再请 AI 核查

现在把前面的内容连起来，先不用 AI 回答三道小题，再请它检查你的理由。

1. Na 失去一个电子形成 Na⁺ 后，元素种类是否改变？
2. 乙醇与二甲醚都有分子式 C₂H₆O，为什么仍需分别记录结构？
3. 某反应的产物能量比反应物低，能否据此判断它在室温下很快发生？

随后可以给 Cursor 或 Codex 一项小任务：

请并列展示乙醇和二甲醚的连接关系，标明各原子的连接、氢原子数与总电荷，并核对两者是否都是 C₂H₆O。如果使用 RDKit，请保存可检查的结构文件和结果图片。我不需要编写代码，但需要你解释检查依据；不要仅凭分子式猜测唯一结构。

拿到结果后，自己数一遍 C、H、O，检查氧连接在哪里，再用两句话解释两幅图的差别。这样，AI 承担具体操作，你保留最基本的化学判断。接下来的 1.2 节，我们就把这些判断带进 ChemDraw，亲手修改结构、标注电荷，并画出清楚的反应式。

上一节，我们先用眼睛和常识检查了原子、化学键与能量。接下来，就要把这些判断落到纸面上：在 ChemDraw 里亲手画出分子与反应，让别人一眼看懂“谁和谁相连、带什么电荷、朝哪个方向”。

因此，本节的目标不是把 ChemDraw 的每个按钮都背下来，而是学会画出一张化学上正确、别人能读懂、计算机也能读取的结构图。 学完后，你应该能画出一个小分子和一个简单反应式，并且能把它导出为图片和 MOL/SMILES。

一、认识画布与常用绘图工具

打开 ChemDraw 之后，首先看到的是一块空白画布，以及左侧（或顶部）的一列工具栏。其中，最常用的只有几样：画化学键的实线键工具、输入元素符号的文字工具、画环的环工具，以及画反应箭头的箭头工具。此外，选择工具（套索或框选）负责移动、旋转和删除已经画好的部分。

先不急着画复杂分子，而是用一分钟熟悉手感：选中实线键工具，在画布上单击一下，就会出现一根键；接着在键的末端继续单击，就能接出第二根键，并且键角会自动取一个合理的锯齿形。于是，连续单击几次，就得到一条碳链。

这里要先建立一个约定：ChemDraw 默认不写出的线端就是碳原子，碳上的氢也默认省略。 也就是说，画面上的一个拐点代表一个 C，而它还差几根键，就隐含几个 H。这就像班级名单里默认“未注明专业即为本专业”：约定一旦说清，图面就能省去大量重复信息。

不同版本的菜单位置会略有差别，所以遇到找不到的功能时，可以把鼠标悬停在按钮上看提示，或者直接问 AI“在 ChemDraw 某版本里，某功能在哪个菜单”。不过，功能在哪里可以问，画得对不对仍要你自己判断。

二、绘制原子、化学键、芳香环与形式电荷

有了碳骨架之后，下一步就是把杂原子标出来。例如画乙醇时，先画两根相连的键得到 C—C—C 形状，接着选中文字工具，单击最后一个端点并输入 O，这个端点就从碳变成了氧。随后 ChemDraw 会按氧通常形成 2 个键的规律，自动显示成 OH。因此，自动补出的氢数本身就是一次检查：如果你输入 O 后显示的是 OH₂ 或 O 旁边出现警告框，就说明连接或电荷有问题。

接着处理键级。在已有的单键上再次单击，通常会把它变成双键；再单击一次，则可能变成三键。例如乙酸的羧基 C(=O)OH，就是在一根 C—O 单键上再单击一次得到的 C=O。同样，画完后要数一数：中心碳是否仍然正好是 4 个键。

至于芳香环，一般直接用环工具里的苯环模板。ChemDraw 画出的苯环通常是单双键交替的凯库勒式，这和画成圆圈的写法表达的是同一种芳香结构。也就是说，苯环并不是“三个单键加三个双键”各自固定，电子在整个环上离域；交替写法只是一种记账方式。后面把分子交给 RDKit 时，程序会重新识别芳香性，所以两种画法最终应当指向同一个分子。

最后是形式电荷。例如画铵离子 NH₄⁺ 时，氮连了 4 个氢，这时就必须在氮上标一个正电荷；否则，按“氮通常形成 3 个键”的规律，图就是错的。标电荷时，可以用电荷工具（通常是带 ⊕/⊖ 的按钮）单击原子，也可以在文字工具里直接输入 NH4+。同理，乙酸根写作 CH₃COO⁻，负电荷要落在一个氧上。

此外，ChemDraw 通常可以打开“分析”窗口，实时显示分子式和分子量。因此，每画完一个分子，都值得顺手看一眼分子式：画出的分子式与你预期的分子式一致，才进入下一步。

三、楔形键、虚线键与立体化学

到目前为止，我们画的都是平面上的连接关系。然而，真实分子是立体的，所以有些时候平面图不足以区分两个分子。例如乳酸 CH₃CH(OH)COOH 的中间碳连着四个不同的基团，于是它存在两种互为镜像、却不能重合的结构，就像左手和右手。这样的碳叫作手性中心。

为了在纸面上表达“哪个基团朝前、哪个朝后”，化学家约定：实心楔形键表示指向读者，虚线楔形键表示背离读者，普通实线则在纸面内。 因此，画手性中心时，要从键工具组里选择楔形键或虚线键，并且让楔形的尖端落在手性中心上。

与此同时，双键也会带来立体问题。例如 2-丁烯中，两个甲基可能在双键同侧，也可能在两侧，分别对应顺式（Z）和反式（E）。这类立体信息不需要楔形键，而是由双键两端基团在图中的相对位置直接表达。所以，画双键时如果把取代基画得“歪到一边”，就可能不小心改变了 E/Z。

需要提醒的是，楔形键只有在有意义的位置才表达立体化学。反过来，如果某个手性中心你并不知道构型，就不要随手加一个楔形键；否则，别人（以及后面的程序）会以为你确定了它。较新的 ChemDraw 还可以直接显示 R/S 标记，所以画完后可以打开这项显示，核对它与文献给出的构型是否一致。

四、反应箭头、条件标注与结构排版

分子画好之后，就可以把它们组织成反应式。以酯化反应为例：乙醇与乙酸在浓硫酸催化和加热条件下，生成乙酸乙酯和水。首先，把反应物和产物分别画好；接着，用箭头工具在它们之间拉一根向右的箭头；然后，用文字工具在箭头上方写催化剂“浓 H₂SO₄”，在下方写条件“加热”。

在这里，不同形状的箭头含义不同，所以不能随意混用。

例如，酯化反应其实是可逆的，因此严格来说应当画成 ⇌；而如果把共振式之间的 ↔ 误用成反应箭头，读者就会以为发生了化学变化。

接下来是排版。画完之后，先用“整理结构”（Clean Up Structure）让键长和键角统一，再用对齐工具让反应物、箭头和产物排在同一条水平线上。同时，整张图里的字号、键长和线宽应当保持一致；这就像同一份报告里的字体要统一，否则读者会被格式分散注意力。最后，再对照上一节学过的配平规则，数一遍两边的 C、H、O：左边 C₂H₆O + C₂H₄O₂，右边 C₄H₈O₂ + H₂O，碳、氢、氧分别都是 4、10、3，于是这个反应式在原子数上是平衡的。

五、保存可编辑文件，导出图片与 MOL/SMILES

画完一张图，至少要保留三种产物，因为它们各有用途。

1. 可编辑源文件：保存为 .cdxml（或 .cdx）。这相当于游戏存档，以后改一根键不必从头再画。
2. 图片：导出为 PNG 或 TIFF 等格式，用于 PPT 和论文；导出时选择足够高的分辨率，常见要求是 300 dpi 以上。
3. 机器可读的结构：选中一个分子后，可以复制为 SMILES（通常在“编辑 → 复制为”一类菜单里），也可以另存为 MDL Molfile（.mol）。

其中，第三种最容易被忽略，却对后面的课程最重要。图片只给人看，程序读不出里面的原子和键；而 SMILES 与 MOL 记录的是连接关系本身。 例如，乙醇的 SMILES 是 CCO，乙酸是 CC(=O)O，乙酸乙酯是 CCOC(C)=O。同样，带电荷和手性的信息也能写进 SMILES：乙酸根是 CC(=O)[O-]，L-乳酸是 C[C@H](O)C(=O)O，其中 @ 记录了手性。

另外，一张画布上如果同时画了反应物和产物，复制出来的 SMILES 可能是用点号连接的多个分子，或者是一条反应 SMILES。所以，导出前先只选中你要的那个分子，导出后再把 SMILES 贴回 ChemDraw（或交给 RDKit）重新画一次，看是否得到原来的结构。这种“导出再读回”的往返检查，能发现大部分漏标电荷或立体信息的问题。

六、二维结构式、分子连接关系与三维构象的区别

讲到这里，需要把三个容易混在一起的概念分开。首先，ChemDraw 画的是二维结构式，它的主要任务是表达连接关系，以及必要的立体标记。其次，连接关系（谁和谁相连、键级多少、电荷在哪）才是结构式真正承载的化学信息。最后，三维构象是原子在空间中的实际坐标，同一个连接关系可以对应许多构象。

因此，ChemDraw 图上的键长和键角只是为了好看，并不是真实的几何数据。例如，你把乙醇的 C—O 键拉长一倍，它仍然是乙醇；同样，把图整体旋转 90°，它也还是同一个分子。反过来说，从 ChemDraw 导出的 MOL 文件里虽然有坐标，这些坐标通常只是二维排版坐标（z 全是 0），不能直接当作三维结构去做计算。

那么，三维结构从哪里来？一般有两种途径：一是从实验或数据库里读取已测定的结构；二是由程序（例如 RDKit）从连接关系生成一个初始构象，再用力场或 DFT 优化。这两条路会分别在 1.5 节和第二部分展开。现在只需记住：结构式回答“连成什么样”，三维坐标回答“摆成什么样”，两者不能互相替代。

七、练习：画出一个小分子及其反应式，核对原子价态与导出结果

现在把本节内容串起来完成一次完整练习。

1. 在 ChemDraw 中画出乙醇、乙酸、乙酸乙酯和水，并排成酯化反应式；箭头上方写“浓 H₂SO₄”，下方写“加热”，并用可逆箭头。
2. 逐个打开分析窗口，核对四个分子的分子式分别为 C₂H₆O、C₂H₄O₂、C₄H₈O₂、H₂O。
3. 另画一个 L-乳酸，用楔形键或虚线键表示手性中心，并打开 R/S 显示，确认它是 S 构型。
4. 保存 .cdxml，导出一张 PNG，再分别复制四个分子和乳酸的 SMILES，粘贴到一个文本文件里。

最后，把文本文件交给 Cursor 或 Codex，请它做一次独立核查：

请用 RDKit 读取这个文件里的每条 SMILES，逐条输出规范化 SMILES、分子式、形式电荷和手性中心的 R/S 标记，并生成一张带编号的分子网格图。读取失败的条目请单独列出原因，不要跳过。我不需要写代码，但需要你说明每项检查的依据。

拿到结果后，把 AI 给出的分子式和 R/S 与你在 ChemDraw 里看到的逐项对照。这样，你负责判断结构，ChemDraw 负责表达，RDKit 负责批量核对，三者各司其职。接下来，1.3 节会从单个分子走向成千上万个原子规则排列的晶体，看看结构在三维空间里怎样“重复”。

上一节，我们在 ChemDraw 里画的都是单个分子：原子数量有限，连接关系一目了然。然而，金属、陶瓷和半导体这类材料里，原子动辄以 10²³ 的数量堆在一起，显然不可能逐个画出来。因此，本节要换一种思路来描述结构：先找出重复的规律，再只描述一个重复单元。

具体来说，本节依次回答五个问题：晶体为什么可以只描述一小块？这一小块怎样划定？块里的原子位置怎样记录？哪些位置是“等价”的？真实材料又在哪些地方偏离理想晶体？学完后，你应该能读懂一份晶体结构的基本信息，并为下一节用 VESTA 观察晶胞做好准备。

先认识 DFT：后面反复提到的计算方法

在正式进入晶体之前，先简单认识一个本节会多次提到的名字：DFT。不妨把电子想成房间里的一团“雾”：有些地方雾浓，有些地方雾淡。那么，要估计这团雾的整体能量，与其追踪每个电子的所有细节，不如先描述它在各处有多浓，再用计算方法去估算。当然，这只是帮助理解的比喻，电子并不是真的雾。

具体来说，DFT 的全称是密度泛函理论。它用“电子在空间各处有多密”这张分布图，来计算材料或分子的能量和结构。并且，计算时电脑会反复调整这张图，直到结果稳定下来。其中，“泛函”指的是把整张电子密度分布作为输入、用来估算能量的公式；例如，PBE 就是常见的一种泛函。

举个例子，给电脑一个硅晶胞和里面原子的位置，DFT 就会估算电子如何分布、整个结构的能量有多高，并据此判断原子是否需要稍微移动。于是，电脑反复调整之后，就能找到比较稳定的结构，也能比较不同结构哪个更稳定。

简单记：DFT 是计算方法，而泛函是其中负责估算能量的一类公式。 至于它的原理和设置，会在第二部分详细展开；本节只需知道，下面讲的晶胞和坐标，正是交给 DFT 的输入。

一、周期性：只要知道一块瓷砖，就能想象整面墙

先看一个生活里的例子。一面铺满相同瓷砖的墙，虽然有成百上千块砖，但只要知道一块砖的图案，再知道它向左右、上下怎样平移，整面墙就能完整地想象出来。

同样，许多晶体中的原子也按固定规律重复排列。也就是说，只要描述一个小范围内的原子排列，再沿三个固定方向不断平移，就能拼出整个理想晶体。这种“沿固定方向平移后与自身重合”的性质，叫作周期性。

例如，硅晶体里的原子就按固定结构反复排列。因此，后面做计算时，不必真的放进一整块无限大的硅；相反，只要给程序一个硅的基本结构，并告诉它“这块结构会在空间中周期重复”，程序就能用有限的计算近似表示整块晶体。第二部分的 DFT 计算正是这样工作的，所以周期性不只是描述上的方便，也是计算上的前提。

不过，并不是所有固体都有这种规整的重复。例如，玻璃和液体中的原子只在很短的距离内有一定规律，放远了看就杂乱无章，这类材料叫作非晶。因此，本节的描述方法主要适用于晶体；处理非晶时，通常需要换用更大的模型或统计方法。

二、晶胞与坐标：用一个小盒子装下重复单元

既然晶体可以靠重复拼出来，接下来就要问：拿哪一块来重复？在瓷砖墙上，我们挑一块砖作为基本单元；在晶体里，这个基本单元就叫晶胞。顾名思义，晶胞可以理解为“晶体的细胞”：正如许多细胞构成生物体，许多晶胞也沿三个方向堆叠成整块晶体。

更准确地说，晶胞是一个平行六面体形状的空间盒子，它通过平移能够不重不漏地填满整个晶体。于是，描述一个晶胞需要两类信息：

值得注意的是，晶胞的选法不止一种。就像同一面墙既可以把一块砖当单元，也可以把相邻四块砖合起来当单元，晶体的晶胞也可以取大取小。其中，体积最小、只含最少原子的叫原胞；而为了让对称性一目了然，人们常常选用更大、更规整的常规晶胞。例如，硅的常规立方晶胞含有 8 个硅原子，换成原胞却只需要 2 个硅原子，但两者重复出来的是同一块硅晶体。所以，计算时选原胞往往更省力，而画图和讲解时选常规晶胞通常更直观。

另外，数晶胞里的原子时还有一个常见陷阱：位于晶胞顶点、棱上或面上的原子，其实同时被相邻的几个晶胞共享。例如，以氯化钠的常规立方晶胞为例，若氯原子位于 8 个顶点和 6 个面心，那么每个顶点原子只有 1/8 属于这个晶胞，每个面心原子只有 1/2 属于它，因此氯原子实际共有 8 × 1/8 + 6 × 1/2 = 4 个。同理，钠原子也是 4 个，所以这个晶胞的组成是 Na₄Cl₄，与化学式 NaCl 的 1∶1 比例一致。如果数出来的比例和化学式对不上，首先怀疑是不是把共享的原子重复计算了。

三、分数坐标与笛卡尔坐标：两种报位置的方式

盒子划定之后，还要说清楚原子在盒子里的位置。这就像在房间里指路：你可以说“从墙角出发，沿两面墙各走一半”，也可以说“从墙角向东 2 米、向北 3 米”。前一种按房间边长的比例来报位置，后一种直接报实际距离，于是就对应了晶体中的两种坐标。

首先，分数坐标说的是沿三条晶胞边各走了多少比例。例如，(1/4, 1/4, 1/4) 表示沿 a、b、c 三条边各走四分之一。因此，分数坐标没有长度单位，并且晶胞内部的原子，其分数坐标一般都落在 0 到 1 之间。

其次，笛卡尔坐标直接给出相对原点的实际距离，通常以埃（Å）为单位。例如，立方硅晶胞边长约 5.43 Å，那么分数坐标 (1/4, 1/4, 1/4) 对应的笛卡尔坐标约为 (1.36, 1.36, 1.36) Å。可见，两者描述的是同一个位置，只是表达方式不同。

不过，只有在直角盒子里，换算才是“各乘边长”这么简单。如果晶胞的夹角不是 90°，那么分数坐标仍然沿三条斜着的晶胞边来量，而换算成笛卡尔坐标时，就需要用整个晶格矩阵去乘。这项计算交给程序即可，但你要记住结论：同一组数字，当成分数坐标还是笛卡尔坐标，得到的位置可能完全不同。 因此，读取任何结构文件时，第一件事都是确认它用的是哪一种坐标。

此外，由于周期性，分数坐标还有一个特别的性质：把坐标加上或减去一个整数，得到的是相邻晶胞中的等价原子。例如，(1.02, 0.5, 0.5) 和 (0.02, 0.5, 0.5) 在晶体中代表同一种位置。所以，看到略大于 1 或略小于 0 的分数坐标时，不必惊慌，它往往只是原子“跨出了盒子边界”，平移回来即可。

四、直观的对称性：转一转、照一照，看是否重合

接下来看对称性。例如，正方形转 90° 后看起来还是原来的正方形；同样，铺得整齐的地砖图案在旋转或镜像后，也可能与原来完全重合。这种“做了某个操作之后，看起来没有变化”的性质，就叫作对称性。

放到晶体里，判断标准就更严格一些：把原子整体平移、旋转或镜像之后，每个原子都必须落到同种元素原子原来所在的位置上，才算具有相应的对称性。换句话说，不能只看几何轮廓是否重合，还要看元素是否对得上；把硅原子转到另一个硅原子的位置才算重合，转到空位上则不算。

那么，对称性有什么用？首先，它能告诉我们哪些原子的环境是等价的。例如在理想硅晶体中，每个硅原子周围都是 4 个硅原子，以正四面体方式排布，所以所有硅原子是等价的。因此，研究一个硅原子的局部环境，就等于研究了全部硅原子。其次，计算程序也会利用对称性识别等价位置，从而减少重复计算。

然而，对称性很容易被打破。例如，从理想硅晶体里拿掉一个原子，原来能与自身重合的一些旋转操作就不再成立了。也就是说，缺陷不仅改变了局部结构，还可能降低整体的对称性。至于对称性更系统的描述，也就是空间群和 Wyckoff 位点，会留到第五部分晶体结构预测时再展开；现阶段，能用“转一转、照一照”来直观判断即可。

五、缺陷与相：真实材料与理想晶体的差别

到目前为止，我们讨论的都是完美的、无限重复的理想晶体。但真实材料总有不完美之处。仍以瓷砖墙为例：少了一块砖、多塞进一块砖，或者换了一块不同颜色的砖，都会让墙面偏离完美的重复，这就相当于晶体中的缺陷。

尽管缺陷只占极少数原子，它们却常常决定材料的关键性质。例如，在硅中掺入极少量的磷或硼替代硅原子，就能大幅改变它的导电能力，这正是半导体器件的基础。

那么，怎样在计算中表示一个缺陷？通常的做法是：先把晶胞沿三个方向扩大若干倍，得到一个超胞，然后在其中拿掉或替换一个原子。之所以要先扩大，是因为计算时这个超胞仍会被周期复制，所以模型里实际上会出现一排排重复的缺陷。因此，超胞如果太小，相邻缺陷之间的距离就太近，它们会相互影响，算出的结果也就不能代表“一个孤立的缺陷”。

另一方面，除了局部缺陷，同一种化学成分还可以采用完全不同的整体排列方式，这些不同的结构状态叫作相。例如，钻石和石墨都只由碳组成，但钻石中每个碳原子与 4 个碳原子形成三维网络，而石墨中碳原子排成一层层平面，层与层之间只靠较弱的作用力结合。于是，同样是碳，一个极硬、不导电，另一个却柔软、能导电。同理，二氧化钛也有金红石、锐钛矿等不同的相。

更重要的是，哪个相最稳定，会随温度和压力变化。例如，常温常压下石墨比钻石略稳定，而在高温高压下钻石才成为更稳定的相。这提醒我们：只写化学式并不能确定一个材料，还必须说明它是哪一个相、在什么条件下。 后面整理数据时，这一点会反复出现。

六、把五个概念连起来

最后，把本节内容串成一条线：周期性告诉我们晶体会重复；晶胞让我们用一个小盒子描述这种重复；坐标记录原子在盒子里的位置；对称性帮助我们识别等价的原子和环境；而缺陷与相则描述真实材料怎样偏离理想晶体，或者采用另一种整体结构。

在此基础上，先不借助 AI，试着回答下面三道小题。

1. 一个晶胞的晶格参数为 a = b = c = 4.0 Å、α = β = γ = 90°，其中一个原子的分数坐标是 (0.5, 0.5, 0.5)。它的笛卡尔坐标是多少？
2. 某份结构文件中出现了分数坐标 (−0.01, 0.25, 0.25)，这是否说明原子跑到了晶体外面？
3. 要计算硅中单个空位的性质，为什么不能直接从 2 个原子的原胞里拿掉一个原子？

接着，可以请 AI 帮你核查自己的理解：

请以硅的常规立方晶胞（a ≈ 5.43 Å）为例，列出 8 个硅原子的分数坐标，并换算成笛卡尔坐标；再说明原胞与常规晶胞的原子数为什么不同。请标明坐标单位，不要省略换算依据。

拿到结果后，挑两个原子自己手算一遍笛卡尔坐标，再检查原子总数是否为 8。这样，下一节打开 VESTA 时，你看到的就不再是一团彩色小球，而是一个有边长、有坐标、有规律的晶胞。

上一节，我们用晶格参数、分数坐标和对称性，在纸面上描述了一个晶胞。然而，只看数字很难想象原子在空间里怎样排布，所以本节要借助 VESTA，把这些数字变成一个可以旋转、测量和导出的三维结构。

需要先说明的是，VESTA 是一个查看和检查结构的工具，而不是修改结构的主要工具。因此，本节的重点是：打开一份结构文件，先核对数字，再观察图像，最后导出一张准确的结构图。 学完后，你应该能用同一份文件解释晶胞、配位和周期性，并且能分辨“显示出来的原子”和“文件里真实存在的原子”。

一、打开 CIF/POSCAR，核对元素、晶格参数与原子坐标

首先，需要一份结构文件。常见的来源有两种：一是从 Materials Project 或晶体学开放数据库（COD）下载 CIF 文件；二是使用课程或计算得到的 POSCAR 文件。本节以氯化钠（岩盐结构，a ≈ 5.64 Å）和硅（a ≈ 5.43 Å）为例，你可以请 AI 帮你找到这两份 CIF，并说明来源。

接着，用 File → Open 打开文件，画面上就会出现一个带边框的晶胞和若干彩色小球。不过，先别急着欣赏图像，而是先核对数字。 具体来说，打开 Edit → Edit Data → Unit Cell，可以看到晶格参数 a、b、c 和 α、β、γ；然后切换到 Structure Parameters，可以看到每一种原子的元素、分数坐标和占位率。

其中，第二行最容易让人困惑：明明晶胞里有 4 个钠和 4 个氯，为什么列表里各只有 1 个？这是因为，CIF 常常只记录最少的一组原子（不对称单元），再由空间群的对称操作把其余位置“复制”出来。因此，文件里写了几个原子，和晶胞里实际有几个原子，是两回事；VESTA 会自动完成这一步展开，所以图里能看到完整的晶胞。

同理，打开 POSCAR 时也要做对应的检查：元素顺序和每种元素的原子数是否对得上，坐标是 Direct（分数坐标）还是 Cartesian（笛卡尔坐标）。如果这一步就错了，那么后面画得再漂亮也没有意义。

二、旋转、缩放与选择观察方向

核对完数字之后，就可以开始观察了。首先，用鼠标左键拖动可以旋转结构，滚轮可以缩放，右键或中键（取决于设置）可以平移视图。于是，你可以像在游戏里转动视角一样，从各个角度看这个晶胞。

不过，随意转动得到的图往往既不好看，也不好解释。因此，更常用的是沿特定方向观察：工具栏上通常有“沿 a 轴看”“沿 b 轴看”“沿 c 轴看”的按钮，点一下，视线就会对准相应的晶轴。例如，沿 c 轴看氯化钠时，钠和氯会排成整齐的棋盘格，这比斜着看要清楚得多。

此外，如果想强调某个晶面上的原子排布，可以在视图方向设置中指定一个晶面方向，让视线垂直于它。这里暂时不需要掌握晶面指数的完整定义；你只需知道，好的结构图总是先选定观察方向，再截图，而不是“转到差不多就截”。并且，写论文时要在图注里说明观察方向，这样读者才能复现你看到的画面。

三、晶胞边界、周期性显示范围与跨边界邻居

接下来是本节最容易出错、也最值得理解的一点。默认情况下，VESTA 会把分数坐标恰好等于 0 或 1 的原子都画出来。例如，氯化钠晶胞的 8 个顶点上都能看到原子，而在上一节我们算过，这 8 个顶点原子合起来只算 1 个。因此，图上能数出的小球数，通常多于晶胞真正包含的原子数。

那么，显示范围由谁决定？在 Objects → Boundary 里，可以设置沿 x、y、z 三个方向显示的分数坐标范围。例如，把范围从默认的 0～1 改成 −0.5～1.5，画面上就会多出一圈相邻晶胞中的原子；反过来，也可以缩小范围，只显示部分原子。

之所以要调整显示范围，是因为晶胞边界附近的原子，它们的邻居往往在相邻晶胞里。例如，位于晶胞一角的钠原子，按默认显示只能看到它的一部分邻居；只有把显示范围放大，才能看到它周围完整的 6 个氯原子。也就是说，边界是我们人为划定的盒子，而原子本身并不知道边界在哪里。

但一定要记住：Boundary 只改变“显示多少”，不改变“结构是什么”。 无论你显示几个晶胞，文件里的结构都没有变化；同样，把这张图导出后数小球，也不能得到晶胞的真实原子数。

四、设置成键距离，测量键长与键角

看清原子之后，下一步是看它们之间的“连线”。然而，VESTA 里的键并不是从文件里读出来的，而是按距离规则自动画出来的：两个原子的距离落在设定的范围内，就画一根键。因此，这些连线只是一种显示约定，并不等于化学上一定存在化学键。

具体来说，在 Edit → Bonds 里，可以为每一对元素设置最小和最大距离。例如，为 Na–Cl 设置 0～3.2 Å，就会把相距约 2.82 Å 的最近邻钠和氯连起来。反过来，如果把上限设得太大，图上就会出现一堆本不该有的连线；设得太小，本该相连的原子又会断开。所以，看到奇怪的键时，先检查成键距离设置，再怀疑结构本身。

接着就可以测量。工具栏上有测量距离和测量角度的模式：选中距离模式后，依次点击两个原子，下方信息栏就会显示它们之间的距离；同样，选中角度模式后依次点击三个原子，就会显示夹角。例如，在硅中测量相邻两个硅原子，应得到约 2.35 Å；再测量以一个硅为顶点的两根键之间的夹角，应得到约 109.5°，这正是正四面体的键角。

值得注意的是，测量结果要和已知数据相互印证。例如，氯化钠中最近邻 Na–Cl 距离应当等于 a/2 ≈ 2.82 Å。如果你测出来是 1.4 Å 或 5.6 Å，那么多半是点错了原子，或者文件本身有问题。测量不仅是为了得到数字，更是为了检查结构是否合理。

五、球棍模型、配位多面体与结构图导出

同一个结构可以用不同风格来画，而不同风格强调的信息也不同。

其中，配位多面体特别值得学会。所谓配位，指的是一个原子周围最近邻原子的数目和排布方式。例如，氯化钠中每个钠被 6 个氯包围，这 6 个氯的位置连起来恰好是一个八面体；而硅中每个硅被 4 个硅包围，连起来是一个四面体。于是，只要打开多面体显示，看一眼形状，就能读出配位数和局部结构。在 VESTA 里，通常可以在 Bonds 设置中为中心原子开启多面体显示，并选择多面体的透明度和颜色。

最后是导出。一般用 File → Export Raster Image 导出 PNG 或 TIFF 等位图，并且可以在导出时放大倍数，以获得更高的分辨率。导出之前，建议先统一背景颜色、隐藏不需要的坐标轴，并确认观察方向；导出之后，再把图放进 PPT 里与其他图组合。同时，别忘了另存一份 VESTA 的工程文件（.vesta），这样以后修改颜色或视角时，就不必从头设置。

六、显示范围、超胞与实际结构修改的区别

讲到这里，需要把三件看起来相似的事情区分开来，因为它们对后续计算的影响完全不同。

1. 改变显示范围（Boundary）：只影响画面上显示多少原子，文件里的结构完全不变。这就像把地图放大缩小，地形本身没有变化。
2. 构造超胞（在晶胞设置里做变换，例如 2 × 2 × 2 扩胞）：生成了一个更大的新晶胞，原子数也随之增加，但它描述的仍是同一块理想晶体。这就像把四块砖合起来当成新的“单元”，墙的图案并没有变。
3. 实际修改结构（删除、替换或移动原子）：结构本身发生了变化，例如制造了一个空位或替位缺陷。这时得到的已经是另一个体系。

因此，如果你想把一个结构交给后面的计算，那么就要通过 File → Export Data 导出新的 CIF 或 POSCAR，而不是导出一张图片。并且，导出后应当检查原子数：只调整了显示范围时，原子数不应变化；做了 2 × 2 × 2 超胞后，原子数应当变为原来的 8 倍。

不过，VESTA 并不擅长批量、可复现地修改结构。所以，真正要用于计算的超胞和缺陷结构，更推荐让 Agent 用 ASE 或 pymatgen 生成，再用 VESTA 打开检查。这样，每一步修改都有脚本和记录可查，这一点会在 1.5 节展开。

七、练习：用同一份结构文件解释晶胞、配位与周期性

现在，用氯化钠的 CIF 完成一次完整练习。

1. 打开文件，记录晶格参数、空间群，以及结构参数列表中的原子数。
2. 在默认显示下数一数画面上的钠和氯小球，再解释为什么它不等于晶胞中的 4 个钠和 4 个氯。
3. 把显示范围扩大到 −0.5～1.5，找到一个钠原子，确认它周围有 6 个氯，并开启多面体显示。
4. 测量最近邻 Na–Cl 距离，与 a/2 比较。
5. 沿 c 轴导出一张 PNG 结构图，并另存 .vesta 文件。

完成之后，可以请 AI 做一次交叉核对：

请用 pymatgen 读取这份氯化钠 CIF，输出晶格参数、空间群、常规晶胞中的原子数与化学式，以及钠原子的配位数和最近邻 Na–Cl 距离。请说明数据来源和计算依据，我会与 VESTA 中的测量结果逐项对照。

把 AI 给出的数字与你在 VESTA 里看到的逐项比对，并把差异记下来。这样，VESTA 帮你看见结构，程序帮你算准数字，两者互相印证。下一节，我们就把这些看得见的分子和晶体，正式写成计算机能读取、能追溯的数据记录。

前面几节，我们用 ChemDraw 画出了分子，也用 VESTA 看清了晶胞。化学家可以从一张结构图中看出分子由哪些原子组成，也可以从晶体结构图中看出原子大致如何排列。但是，计算机并不能可靠地“看懂”一张图片；相反，它需要明确的数据，说明有哪些原子、原子之间如何连接、原子位于什么位置，以及体系是否具有周期性。

因此，把化学对象变成可计算对象，并不只是把文件换一种格式保存，我们还要确保结构的含义没有在转换中丢失。例如，原子价态或手性读错、坐标单位弄混、晶体被误设为非周期体系，都可能让后续计算顺利运行，却得到错误结果。所以，本节的目标是：让每一条结构数据都说得清“是什么、从哪来、怎么处理过”。

一、从 ChemDraw 的连接关系到分子图

在 ChemDraw 里，分子通常画成原子符号和连接它们的线。对计算机来说，这可以表示成一张分子图：原子是图中的节点，化学键是连接节点的边。并且，每个节点可以记录元素、形式电荷和手性等信息；同样，每条边可以记录键级、芳香性和双键构型等信息。

例如，乙醇可以写成 C—C—O：图中有两个碳原子和一个氧原子，它们由单键相连。然而，这张图只告诉我们原子的连接关系，却不告诉我们乙醇在三维空间中的具体形状。正如 1.2 节所说，ChemDraw 上的二维图并不是分子的真实三维构象；因此，如果要计算三维结构，还需要另外生成或读取原子坐标。

这一点对区分相似分子尤其重要。例如，乙醇和二甲醚的分子式相同，都是 C₂H₆O，但原子连接方式不同：乙醇是 C—C—O，二甲醚是 C—O—C。也就是说，只记录分子式，计算机就无法区分它们；而分子图则能保留这项关键信息。

二、让 Agent 用 RDKit 读取 SMILES/SDF，核对结构、失败记录与转换规则

有了分子图的概念，接下来看它在文件里怎样保存。首先，SMILES 是用一串字符表示分子连接关系的简单写法，例如乙醇可写为 CCO。因此，它适合紧凑地保存分子图，也能表示一些立体化学信息，但通常不包含分子的完整三维坐标。相比之下，SDF 通常保存原子、化学键、坐标和附加属性；并且，一个 SDF 文件还可以连续保存多个分子记录。下面就是一个 SDF 的例子：

Ethanol
  Example

  3  2  0  0  0  0            999 V2000
    0.0000    0.0000    0.0000 C   0  0  0  0  0  0  0  0  0  0  0  0
    1.5000    0.0000    0.0000 C   0  0  0  0  0  0  0  0  0  0  0  0
    2.1000    1.2000    0.0000 O   0  0  0  0  0  0  0  0  0  0  0  0
  1  2  1  0
  2  3  1  0
M  END
>  <name>
ethanol

$$$$

读这个例子时，可以按从上到下的顺序看：

• 3 2：首先说明有 3 个原子、2 条键。
• 接下来的三行：依次列出两个碳和一个氧，每行先写笛卡尔坐标，再写元素符号。
• 1 2 1：然后说明第 1 个原子和第 2 个原子之间是单键；同理，下一行表示第 2 个和第 3 个原子之间也是单键。
• M END：到这里，分子结构记录结束。
• $$$$：最后，这一条 SDF 记录结束；因此，同一个文件里可以接着放其他分子。

值得注意的是，这个例子只写了重原子，氢原子是隐含的；同时，它的 z 坐标全是 0，所以只是二维排版坐标。这正好印证了前面的提醒：有坐标，不等于有可用的三维结构。

在此基础上，Agent 可以调用 RDKit 这类化学信息学工具来读取 SMILES 或 SDF，并做基本检查。不过，一个可靠的流程不应只问“文件能不能打开”，还应核对原子数、化学式、形式电荷、键级、价态和立体化学信息。此外，对于多记录的 SDF，还要逐条记录哪些分子读取成功、哪些失败，以及失败原因。

更进一步，如果 RDKit 无法解析某条 SMILES，Agent 不应悄悄跳过这条数据；同样，如果它要执行去盐、补氢、调整电荷或互变异构体标准化，也应记录具体规则。这是因为，这些操作可能改变分子的表示方式，甚至改变后续任务所研究的化学对象。所以，较稳妥的做法是保留原始输入，并把每一步处理后的结构作为带有来源记录的新版本保存。

另外，若需要从 SMILES 生成三维坐标，软件可以先生成一个可能的构象，再做几何优化。但是，这只是一个初始结构或近似构象，因此不应直接当作 DFT 优化后的结构或实验测得的构象。

三、从 VESTA 的结构视图到坐标记录

说完分子，再来看晶体。VESTA 可以把晶体结构文件显示为三维图像，帮助我们观察晶胞、原子排列和局部环境；并且，写论文时需要的结构示意图，也常常由此导出。但是，图像是给人看的，而计算程序需要的是结构数据：晶胞的形状和大小、元素种类、原子的坐标、占位率，以及适用的对称操作等。

例如，VESTA 可以把 CIF 中给出的晶体结构显示出来。正如 1.4 节所见，有些 CIF 只列出不对称单元中的原子，再通过对称操作生成完整晶胞；因此，VESTA 显示的完整结构可能包含由程序生成的原子位置，以及边界上重复显示的周期副本。于是，若只根据屏幕上的图像数原子，或试图从截图估算坐标，就可能把周期副本误认为晶胞中的额外原子。

所以，VESTA 适合用来检查和理解结构，而精确的结构记录应当来自 CIF、POSCAR 等原始结构文件。同样，看到不合理的键长、缺失原子或异常晶胞时，也应回到原始数据核查，而不是从示意图反推坐标。

四、分子与晶体结构文件（MOL、CIF、POSCAR、XYZ 与 extxyz）

既然结构要以文件为准，那么就得了解常见的文件格式。不同结构文件保存的信息不同，所以选择文件格式时，不能只看文件扩展名，还要确认它是否保存了当前任务需要的结构、坐标、周期性和性质数据。

其中，分数坐标表示原子相对于晶胞边的比例，而笛卡尔坐标表示以实际长度描述的位置，通常以 Å 为单位。虽然两种坐标可以描述同一个结构，但读取文件时必须知道当前使用的是哪一种；否则，坐标值看起来合理，实际位置却可能完全错误。

五、周期性边界

了解了文件格式，接下来还要处理一个晶体特有的问题：周期性边界。1.3 节说过，程序会把一个晶胞在空间中无限复制。因此，一份晶体结构除了晶胞和坐标，还必须说明“哪些方向是周期重复的”。

一般来说，常见的情形有三种。首先，块体晶体在三个方向上都周期重复。其次，表面或二维材料只在面内两个方向重复，而垂直方向留出一段真空层，以免上下两层相互作用。最后，孤立分子在任何方向上都不重复。所以，同样一组原子坐标，周期性设置不同，描述的就是完全不同的体系。

更重要的是，周期性会改变“距离”的算法。例如，在边长 10 Å 的立方晶胞中，一个原子在 x = 0.5 Å，另一个在 x = 9.5 Å。如果直接相减，它们相距 9 Å；然而，考虑周期性后，第二个原子在相邻晶胞中的副本位于 x = −0.5 Å，于是两者实际只相距 1 Å。换句话说，在周期体系中，两个原子的距离要取所有周期副本中最近的那一个，这叫作最小镜像约定。

因此，如果把一个晶体误当作孤立分子处理，程序就会“看不见”跨边界的邻居；反过来，如果把孤立分子放进一个太小的周期盒子，它又会和自己的副本相互作用。这两类错误都不会让程序报错，所以每次读取或转换结构后，都要确认周期性设置是否符合你的本意。

六、用 ASE 的 Atoms 与 pymatgen 的 Structure 读写与转换

在实际工作中，读写和转换结构通常交给两个 Python 库：ASE 和 pymatgen。其中，ASE 用 Atoms 对象表示一组原子，而 pymatgen 用 Structure 表示周期晶体、用 Molecule 表示孤立分子。虽然你不需要亲手写代码，但能读懂一小段代码在做什么，就能更好地检查 Agent 的工作。例如：

from ase.io import read, write
atoms = read("NaCl.cif")          # 读取 CIF
print(atoms.get_chemical_formula(), len(atoms))
print(atoms.cell.cellpar())       # a, b, c, α, β, γ
print(atoms.pbc)                  # 三个方向是否周期
write("POSCAR", atoms, format="vasp")

这段代码依次做了四件事：首先读取文件，然后打印化学式和原子数，接着打印晶格参数和周期性设置，最后另存为 POSCAR。同样，pymatgen 也能完成类似的读写，并且提供了 AseAtomsAdaptor，可以在 Atoms 和 Structure 之间相互转换。

那么，转换之后要检查什么？一般来说，至少核对下面几项：

此外，还有一个简单而有效的办法：把转换后的文件再读回来，与原始结构比较。如果原子数、晶格和最近距离都一致，那么这次转换大概率没有丢失信息；否则，就要回到原文件查找原因。

七、性质标签是什么：单位、实验或计算来源、计算设置与版本

到目前为止，我们讨论的都是结构本身。然而，建模时我们真正想预测的是性质，例如形成能、带隙或体模量，这些要预测的值叫作标签。那么，一个标签只写一个数字够不够？答案是不够。

例如，“某材料的带隙是 1.1”这句话至少缺了四样东西。首先，缺单位：是 eV 还是别的单位？其次，缺来源：是实验测得，还是计算得到？再次，缺条件或设置：如果是实验值，测量温度是多少；如果是计算值，用了哪种泛函、是否加了 +U 修正。最后，缺版本：数据来自哪个数据库、哪一次发布。因此，一个完整的标签应当是“数值 + 单位 + 来源 + 设置 + 版本”。

之所以要这么较真，是因为不同来源的数值往往带有系统差异。例如，常用的 PBE 泛函算出的带隙通常明显低于实验值；同样，数据库更新计算设置之后，同一种材料的形成能也可能发生变化。所以，如果把实验带隙和 PBE 带隙混在一起训练，模型学到的就是一堆口径不一的数字。这一点会在第二部分 2.7 节详细展开。

另外，还要注意“总量”和“平均量”的区别。正如 0.2 节所说，形成能常以 eV/atom 表示，而总能则随原子数增加。于是，一份标签表至少应当包含下面这些列：

这样，半年之后再看这份数据，你仍然能说清每个数字是怎么来的。

八、原始坐标用于建模时要处理哪些对称性

最后，还有一个问题需要在建模之前想清楚：能不能直接把原子坐标当作模型的输入？答案是通常不能，因为同一个结构可以写成许多组不同的坐标。

例如，把整个结构平移 1 Å，或者整体旋转 30°，所有坐标数值都变了，但它仍是同一个结构，能量也不变。同样，把文件中原子的顺序调换一下，结构不变，坐标列表却变了。此外，对晶体来说，还可以换一种晶胞选法，或者把原子平移到相邻晶胞，这些也都不改变结构本身。

因此，如果模型直接吃进原始坐标，它就会把同一个结构的不同写法当成不同的样本，于是既学得慢，又容易出错。所以，建模时通常采用两种思路：一是先把结构转换成不随这些操作改变的描述，例如元素组成的统计量或原子间距离的分布，这正是 1.6 节要讲的描述符；二是设计本身就满足这些对称性的模型，这会在第三部分讲到。

与此同时，这些对称性也会影响数据清洗。例如，同一个结构可能以不同的晶胞或坐标写法重复出现在数据中。因此，去重时不能只比较文件内容是否相同，而应当用 pymatgen 的 StructureMatcher 等工具判断两个结构是否本质相同。这一步如果漏掉，重复样本就可能同时出现在训练集和测试集里，这个问题会在 1.7 节详细讨论。

九、练习：把一小批结构整理成可追溯的记录

现在，把本节内容串起来完成一次练习。你可以请 Agent 执行下面的任务：

请下载乙醇、乙酸、乙酸乙酯的 SMILES，以及氯化钠和硅的 CIF。分子部分用 RDKit 读取，输出规范化 SMILES、分子式、形式电荷，并各生成一个三维初始构象存为 SDF；晶体部分用 ASE 读取，输出化学式、原子数、晶格参数、周期性设置和最近原子间距，再转换为 POSCAR 和 extxyz，并读回比较。最后生成一张记录表，每一行写清文件名、来源、处理步骤和检查结果。读取或转换失败的条目请单独列出，不要跳过。

拿到结果后，先自己检查三件事：分子式是否与 1.2 节一致；氯化钠常规晶胞的原子数是否为 8（如果文件用的是原胞，则应为 2）；extxyz 读回后周期性设置是否仍为三个方向都周期。确认无误之后，这批结构就从“一张图”变成了“一份可计算、可追溯的数据”。接下来，1.6 节就在这份数据的基础上，把结构变成数字，训练第一个预测模型。

上一节，我们把分子和晶体整理成了可追溯的数据记录，并且发现原始坐标不宜直接交给模型。那么，接下来的问题就很自然：怎样把一个结构变成一串模型能用的数字，又怎样让模型从这些数字里学到规律？

本节就回答这个问题。首先，我们会分清输入、标签和预测值；接着，学习两类描述符，把结构变成数字；然后，认识四种经典模型；最后，讨论模型“学过头”时怎么办。学完后，你应该能说清一个预测任务的输入与输出，并能判断一个模型是学到了规律，还是只背下了答案。

一、输入、标签、预测值与训练目标

先用一个熟悉的例子建立直觉。假设你要根据同学的平时作业分数，预测他的期末成绩。于是，平时作业分数是输入（也叫特征），真实的期末成绩是标签，而你根据规律猜出来的分数就是预测值。

放到材料里，道理完全一样。例如，要预测材料的形成能，那么输入就是描述这个材料的一串数字，标签就是数据库里的形成能，而预测值则是模型给出的估计。因此，一个预测任务可以简写成：

输入（结构的数字描述） → 模型 → 预测值，并与标签比较

那么，模型怎样“学”？简单来说，就是不断调整内部的参数，让预测值尽量接近标签。为此，需要先定义一个衡量“差多远”的数，叫作损失函数。例如，最常用的均方误差，就是把每个样本的“预测值 − 标签”平方后取平均。所以，训练的目标就是找到一组参数，使训练数据上的损失尽可能小。

不过，这里要提前埋下一个伏笔：损失小只说明模型在“做过的题”上答得好，并不说明它在新题上也答得好。这个区别，正是本节后半部分和 1.7 节的核心。

二、组分描述符与结构描述符（Magpie、SOAP、ACSF）

既然模型需要数字输入，那么首先要把结构翻译成数字，这一步叫作构造描述符。一个好的描述符，至少要满足两点：一是包含与目标性质相关的信息；二是正如 1.5 节所说，不随平移、旋转和原子顺序改变。

最简单的一类是组分描述符，它只看化学式，不看原子怎样排列。例如 Magpie 描述符的做法是：先为每种元素查出一组基本性质，如原子序数、电负性、原子半径等；然后，按化学式中各元素的比例，计算这些性质的平均值、最大值、最小值、范围等统计量。以 NaCl 为例，钠的电负性约 0.93，氯约 3.16，于是“电负性平均值”约 2.05，“电负性范围”约 2.23。这样，一个化学式就变成了一百多个数字。

组分描述符的优点是简单，而且只需要化学式就能计算。然而，它的缺点也很明显：同一化学式的不同相，会得到完全相同的描述符。 例如，钻石和石墨都是 C，组分描述符无法区分它们；因此，如果目标性质强烈依赖结构，就需要结构描述符。

于是，第二类是结构描述符，它描述每个原子周围的局部环境。例如，ACSF（原子中心对称函数）的思路是：以某个原子为中心，统计一定半径内邻居原子的距离分布和角度分布，再把这些分布写成一组数字。同样，SOAP 也描述局部环境，只不过它把邻居原子想象成一团团模糊的“密度云”，再用一套数学展开把这团云的形状编码成数字。由于它们都只依赖原子间的距离和角度，所以天然不随平移和旋转改变。

因此，选择描述符时，先问自己：要预测的性质主要由组成决定，还是由结构决定？ 如果数据里只有化学式，就只能用组分描述符；如果有可靠的结构，结构描述符通常能提供更多信息。实际操作中，这些描述符可以让 Agent 用 matminer、DScribe 等库计算。

三、线性与岭回归

有了输入之后，接下来选模型。首先从最简单的线性回归开始。它假设预测值是各个特征的加权求和，再加一个常数：

预测值 = w₁ × 特征₁ + w₂ × 特征₂ + … + b

其中，w 叫作权重，b 叫作截距，它们都是要学的参数。例如，只用一个特征“电负性范围”预测形成能时，模型就是在二维图上画一条直线，使所有数据点到直线的距离尽量小。

线性模型的好处是透明：每个权重的正负和大小，直接说明对应特征对预测的影响方向和强弱。然而，当特征很多、而且彼此高度相关时，线性回归可能给出非常大、相互抵消的权重。这样一来，数据只要稍有变化，权重就会剧烈摇摆，模型也就变得不可靠。

为了解决这个问题，岭回归在损失函数里额外加了一项“惩罚”：权重越大，惩罚越重。于是，模型在拟合数据的同时，也被迫让权重保持温和。这种惩罚的强度由一个参数 λ 控制：λ 越大，权重越保守；λ 为 0 时，岭回归就退回普通线性回归。至于 λ 怎么选，会在本节第八小节讨论。

四、随机森林

线性模型只能表达“直线”式的关系，但材料性质往往与特征之间存在弯曲、分段的关系。因此，我们需要更灵活的模型。

先来看决策树。它像玩“猜猜我是谁”的游戏：先问一个问题，例如“电负性范围大于 1.5 吗？”，根据回答把样本分成两组；接着，在每组里再问下一个问题，如此层层细分；最后，落在同一片“叶子”里的样本，就用它们标签的平均值作为预测。所以，决策树能自然地表达分段和非线性的关系。

然而，一棵树很容易把训练数据分得过细，以致于记住了每个样本的偶然特点。于是，随机森林的做法是：种很多棵树，每棵树只看随机抽取的一部分样本和一部分特征，最后把所有树的预测取平均。这就像请很多位评委打分再取平均，个别评委的偏见会被相互抵消。因此，随机森林通常比单棵树稳定得多，而且对特征的尺度不敏感，是描述符建模中非常常用的默认选择。

不过，随机森林有一个重要的局限：由于每片叶子的预测都是训练标签的平均值，所以它的预测永远不会超出训练集标签的范围。 例如，训练集中带隙最大是 5 eV，那么它不可能预测出 8 eV。也就是说，随机森林擅长“在见过的范围内插值”，却不擅长外推。

五、高斯过程

前两种模型只给出一个预测值，却不告诉我们这个预测有多可靠。然而，在科研中，“有多确定”往往和“预测是多少”同样重要。于是，这里介绍第三种模型：高斯过程。

它的核心思想很直观：相似的输入，应当有相似的输出。 具体来说，高斯过程先定义一个衡量两个样本有多相似的函数，叫作核函数；然后，预测一个新样本时，参考与它相似的训练样本的标签，并按相似程度加权。因此，如果新样本周围有很多相似的训练样本，预测就比较确定；反过来，如果它离所有训练样本都很远，模型就会给出较大的不确定性。

这正是高斯过程最有价值的地方：它不仅给出预测值，还给出一个误差范围。例如，它可能告诉你“这个材料的形成能约为 −1.2 eV/atom，上下浮动约 0.1”。于是，后面在第六部分做主动学习时，我们就可以优先去计算那些“最不确定”的样本。

但是，高斯过程也有代价。由于它需要比较所有训练样本两两之间的相似度，所以计算量会随样本数急剧增长，通常适合几千个以内的样本。此外，它给出的误差范围是否可信，还取决于核函数选得是否合适，这会在第四部分专门检验。

六、过拟合

讲完模型，现在回到开头埋下的伏笔。假设有两位同学准备考试：第一位理解了知识点，第二位则把练习册的答案逐题背下。于是，在练习册上两人都能拿满分；然而，一到考试换了新题，第二位同学就答不上来了。

模型也会犯同样的错误。当模型过于复杂、而数据又不够多时，它可能把训练数据中的噪声和偶然特点也一并记住，这叫作过拟合。因此，过拟合的典型表现是：训练误差很低，但在没见过的数据上误差明显更高。

例如，用一棵不限深度的决策树拟合 100 个样本，它可以把每个样本都分进单独的叶子，训练误差几乎为 0；可是，换一批新样本，误差却可能比简单的线性模型还大。反过来，如果模型太简单，连训练数据的主要规律都没学到，训练误差和新数据误差都很高，这叫作欠拟合。

所以，判断模型好坏，永远不能只看训练误差，而必须留出一部分模型没见过的数据来检验。至于怎样留、留多少、怎样避免作弊，就是 1.7 节的内容。

七、正则化

既然过拟合来自模型“太自由”，那么解决思路就是给它适当加一些约束，这类方法统称为正则化。

事实上，我们已经见过两个例子。首先，岭回归对大权重的惩罚就是一种正则化，它让模型倾向于更平滑、更简单的解。其次，随机森林中限制每棵树的最大深度、要求每片叶子至少包含若干样本，也起到了同样的作用：不让树分得过细。

此外，还有一种更朴素的正则化：减少特征数量。例如，Magpie 有一百多个特征，而如果只有几百个样本，其中很多特征可能只是在“凑巧”地拟合噪声。因此，先去掉明显无关或高度重复的特征，往往能让模型更稳。

不过，约束也不能太强。正则化过强，模型又会退回欠拟合。所以，正则化的强度需要在“记住细节”和“把握规律”之间取得平衡，而这个平衡点要靠下一小节的方法来确定。

八、超参数

到这里，你可能已经注意到，有些数值是模型自己学出来的，例如线性回归的权重；然而，另一些数值需要我们事先指定，例如岭回归的 λ、随机森林中树的数量和最大深度、高斯过程核函数的形状。后一类数值叫作超参数。

那么，超参数怎么选？最直接的办法是多试几组，看哪一组效果最好。但关键在于“效果”要在哪里衡量：如果用训练数据来挑，就一定会挑中最复杂、最容易过拟合的那组。 因此，正确的做法是另外留出一部分数据作为验证集，在验证集上比较不同超参数的表现，再选最好的一组。

此外，还需要强调一点：超参数一旦在验证集上选定，最终效果就应当在一份从未参与任何选择的测试集上报告。否则，你报告的其实是“挑过的最好成绩”，而不是模型在新数据上的真实水平。这三份数据怎样划分，正是下一节的主题。

九、自己先判断，再请 AI 核查

现在，先不借助 AI，回答下面三道小题。

1. 用 Magpie 描述符预测钻石和石墨的硬度，会遇到什么问题？
2. 一个随机森林在训练集上的误差是 0.01 eV/atom，在新数据上是 0.30 eV/atom。这说明什么？应当先调整什么？
3. 训练集中形成能的范围是 −3 到 0 eV/atom，随机森林能否预测出 −4 eV/atom？

接着，可以让 Agent 做一个小实验，亲眼看看过拟合：

请用 matminer 加载一个小型公开材料数据集，计算 Magpie 描述符，分别训练岭回归和不同最大深度的随机森林。请把数据按固定随机种子分为训练集和验证集，画出“最大深度—训练误差/验证误差”曲线，并说明哪个深度开始过拟合。我不需要写代码，但需要你保存数据版本、参数和结果图。

拿到结果图后，找到训练误差继续下降、验证误差却开始上升的那个位置，并用一句话解释它。这样，你就亲手确认了“训练误差低不等于模型好”。下一节，我们将进一步追问：怎样划分数据，才能让验证和测试的结果真正可信？

上一节，我们看到训练误差低并不代表模型好，因此必须用模型没见过的数据来检验。然而，“没见过”这三个字远比听起来难做到。所以，本节要解决的问题是：怎样划分和使用数据，才能让最后报告的误差真正反映模型在新材料上的表现？

具体来说，我们会依次讨论数据的三种用途、相似样本怎样“偷偷作弊”、预处理为什么也会泄漏信息、指标和基线怎么定，以及交叉验证、外推和误差来源。之所以把这些放在项目一之前，是因为验收标准必须在做项目之前定好；否则，看到结果再改规则，得到的就只是一个好看的数字。

一、训练、验证与测试各自负责什么

先打个比方。准备一门考试时，你会用练习册学习，用模拟卷检查自己、调整复习方法，最后再参加正式考试。于是，练习册、模拟卷和正式考试分别对应机器学习中的三份数据。

其中，最容易被破坏的是测试集。例如，你在测试集上看了结果，觉得不满意，于是回去改模型，再测一次；这样反复几次之后，测试集实际上就变成了第二份验证集。因此，测试集上的成绩只有在它“没有参与任何决定”时才可信。 换句话说，正式考试的题目，不能提前拿来当模拟卷。

一般来说，常见的划分比例是训练 70%～80%、验证 10%～15%、测试 10%～15%。不过，比例本身并不是重点；更重要的是，划分一旦确定，就要把每个样本属于哪一份记录成文件，并在整个项目中保持不变。

二、去重、按体系或组分分组，避免相似样本跨集合

有了三份数据之后，还要检查它们之间是否真的“互不相见”。例如，如果模拟卷里的题和正式考试的题几乎一模一样，那么考试高分就说明不了什么。同样的问题在材料数据里非常普遍。

首先是完全重复。例如，同一种材料可能在数据库里被计算过多次，或者同一个结构以不同的晶胞写法出现了两次。于是，随机划分时，它可能一份进了训练集，一份进了测试集；模型只要“记住”训练集里的那个答案，就能在测试集上答对。因此，划分之前必须先去重，并且正如 1.5 节所说，晶体去重应当比较结构是否本质相同，而不是比较文件是否相同。

其次是高度相似。例如，α-Fe₂O₃ 和 γ-Fe₂O₃ 这两个相，或者 LiCoO₂ 和 NaCoO₂，它们虽然不是同一个样本，却非常相似。所以，如果训练集里有一个，测试集里有另一个，测试就变得偏容易。这时，更可靠的做法是分组划分：先按某种规则把相似样本归为一组，再以组为单位分配到训练、验证或测试集。

那么，应当选哪种分组？这取决于模型将来要怎样使用。例如，如果将来要预测全新元素组合的材料，那么按化学体系分组才能模拟这种场景。因此，先想清楚“模型将来面对的新样本长什么样”，再决定怎样划分。

三、预处理只在训练集拟合

除了样本本身，数据处理的步骤也可能泄漏信息。例如，很多模型要求先把每个特征缩放到相近的范围，常见做法是减去平均值、再除以标准差。然而，问题在于：这个平均值和标准差，是用哪些数据算出来的？

如果用全部数据（包括测试集）来计算，那么测试集的信息就已经悄悄进入了训练过程。这就像复习时偷看了考试成绩的分布，虽然没看到具体题目，但也不再是“完全没见过”。因此，正确的做法是：只在训练集上计算平均值和标准差，然后用同一组数值去变换验证集和测试集。

同理，其他预处理步骤也要遵守这条规则。例如，填补缺失值时用的均值、筛选特征时依据的相关性、降维时用的主成分，都只能从训练集中得到。实际操作中，可以让 Agent 把所有预处理步骤和模型放进同一条“流水线”，这样每次训练时都会自动只用训练集拟合，从而减少人为出错的机会。

四、指标怎么选，简单基线怎么设

划分好数据之后，还需要确定用什么数字来衡量模型。首先，最常用的是平均绝对误差（MAE），即所有样本“预测值与标签之差的绝对值”的平均。因为它的单位和标签相同，例如 eV/atom，所以最容易解释：MAE = 0.1 eV/atom，就表示平均每个样本差 0.1 eV/atom。

其次是均方根误差（RMSE）。它先把误差平方、再平均、最后开方，因此对少数特别大的误差更敏感。于是，如果 RMSE 远大于 MAE，通常说明有一小部分样本预测得特别差，值得单独检查。

此外，还有决定系数 R²，它衡量模型比“一律预测平均值”好了多少。R² 越接近 1 越好；然而，R² 容易受标签分布范围的影响，所以最好和 MAE 一起报告，而不要单独使用。

但是，光有指标还不够，因为一个数字本身没有好坏之分。例如，MAE = 0.2 eV/atom 算不算好？这必须和一个基线比较才能知道。最简单的基线就是“不管输入是什么，一律预测训练集的平均值”；稍强一点的基线则是组分描述符加线性回归。因此，如果你的模型连这些简单基线都赢不了，那么再复杂也没有意义。 反过来，如果它明显优于基线，这个提升才值得报告。

五、交叉验证与超参数选择

接下来，考虑一个现实问题：数据量不大时，只留一份验证集，结果可能很依赖“恰好分到了哪些样本”。例如，同一个模型换一种随机划分，验证误差可能从 0.15 变成 0.22。于是，只凭一次划分挑超参数，就可能挑中一个“运气好”的设置。

为了减小这种偶然性，可以使用 k 折交叉验证。具体来说，先把训练数据平均分成 k 份，例如 5 份；然后，轮流用其中 1 份作验证、其余 4 份作训练，一共训练 5 次；最后，把 5 次的验证误差取平均。这样，每个样本都恰好当过一次验证数据，结果也就更稳定。同时，5 次结果之间的差异，还能告诉你这个误差本身有多大的波动。

需要注意的是，交叉验证同样要遵守前面两条规则。首先，如果数据需要分组，那么交叉验证的每一折也要按组划分，否则相似样本仍会跨折泄漏。其次，每一折的预处理都只能在该折的训练部分拟合。

因此，一个完整的流程应当是：先留出测试集并封存；然后，在剩余数据上用交叉验证比较模型和超参数；选定之后，用全部剩余数据重新训练一次；最后，只在测试集上评估一次并报告结果。

六、外推与分布外

即使划分和验证都做得很规范，还有一个问题需要正视：测试集的样本，通常和训练集来自同一个数据库、同一类材料。然而，科研中我们真正关心的，往往恰恰是“和已知材料不太一样”的新材料。

如果新样本落在训练数据覆盖的范围之内，模型做的是插值；反过来，如果新样本的组成、结构或性质超出了训练数据的范围，模型做的就是外推。一般来说，插值时误差较小，而外推时误差往往会明显变大，甚至完全不可信。例如，只用氧化物训练的模型去预测硫化物，或者只用带隙小于 3 eV 的数据训练、再去预测宽带隙材料，就都属于外推。

那么，怎样知道模型的外推能力？一种直接的办法是故意构造外推测试。例如，把含某种元素的所有材料都放进测试集，看模型在“从没见过这种元素”时表现如何。于是，你会得到两组数字：随机划分下的误差，和刻意外推下的误差。通常后者更大，并且两者之间的差距，恰恰说明了模型的适用范围。

因此，报告结果时，最好同时说明测试集与训练集的关系。这个问题会在第四部分的分布外评测中系统展开；现阶段，只需养成一个习惯：看到一个误差数字，先问它是在什么样的测试集上得到的。

七、误差从哪里来

最后，当模型出现误差时，我们需要知道误差来自哪里，这样才能决定下一步该改什么。一般来说，误差有四个主要来源。

其中，第一项特别值得重视。例如，如果同一材料的实验带隙在不同文献里相差 0.3 eV，那么无论模型多好，MAE 也很难降到 0.3 eV 以下。换句话说，标签本身的不确定性，决定了模型误差的下限。 因此，看到模型误差已经接近标签噪声时，就不必再费力调模型，而应当回头改善数据。

此外，找到误差来源最好的办法，是逐个查看预测最差的样本。例如，把误差最大的 20 个样本列出来，看它们是否集中在某类元素、某种结构，或者标签本身就有疑问。这样，误差就不再只是一个数字，而变成了下一步改进的线索。

八、自己先判断，再请 AI 核查

现在，先不借助 AI，判断下面三种做法是否有问题。

1. 先用全部数据计算特征的平均值和标准差并做标准化，然后再随机划分训练集和测试集。
2. 在测试集上比较了 10 组超参数，报告其中最好的一组测试误差。
3. 数据中同一化学式有多个相，随机划分后，模型测试 MAE 很低，于是认为它能很好地预测新化学式。

接着，可以请 Agent 做一个对照实验：

请用同一份公开材料数据集、同一套 Magpie 描述符和随机森林，分别在“随机划分”和“按化学体系分组划分”下做 5 折交叉验证，报告两种划分的 MAE 平均值和波动，并与“预测训练集平均值”的基线比较。请保存划分清单、随机种子和参数，并列出分组划分下误差最大的 20 个样本。

拿到结果后，比较两种划分的 MAE 相差多少，并试着从误差最大的样本中找出一个共同点。这样，你就为项目一准备好了一套验收规则。下一节，我们就按这套规则，完整地做一次预测项目。

到这里，第一部分的工具和概念都已经齐备：1.1 节到 1.4 节让我们看懂分子与晶体，1.5 节把结构写成可追溯的数据，1.6 节学会用描述符和经典模型做预测，而 1.7 节则定好了怎样诚实地验收。于是，本节就把这些串成一个完整的小项目：用描述符加经典模型预测一个材料性质，并且诚实地评估它。

需要强调的是，这个项目的目标并不是追求最低的误差，而是完整地走一遍“定问题—定规则—建模型—比基线—查错误—留记录”的流程。因此，一个误差不算低、但每一步都说得清的项目，远比一个误差很低、却讲不清数据怎么划分的项目更有价值。

一、选择性质，核对标签来源、单位与计算设置

首先，要选一个预测目标。对于第一个项目，建议选数据公开、规模适中、只需化学式就能建模的任务。例如，本节以实验带隙为例：输入是材料的化学式，标签是实验测得的带隙，单位为 eV。这类数据可以通过 matminer 加载公开的基准数据集（例如 Matbench 中的实验带隙任务），规模在几千条左右，适合在个人电脑上完成。当然，你也可以换成形成能等其他性质，只要按下面的步骤做同样的检查即可。

接着，在动手建模之前，先像 1.5 节那样核对标签。具体来说，至少回答下面几个问题：

其中，最后一项尤其值得先看一眼。例如，如果数据中有相当比例的样本带隙为 0，那么一个总是预测 0 附近的模型，也可能得到看似不错的 MAE。因此，先画出标签的分布直方图，再决定怎样解读后面的误差。 把这些检查结果写进一份简短的数据说明，作为项目的第一份记录。

二、固定数据划分、预处理与评测指标

标签核对无误之后，下一步是在看到任何模型结果之前，把验收规则全部定下来。之所以强调顺序，是因为一旦先看了结果，就很难不被结果影响规则。

具体来说，需要固定以下几项。首先，去重：确认同一化学式只保留一条记录，或者对重复记录的处理方式写清楚。其次，划分：按 1.7 节的做法，先留出 15%～20% 作为测试集并封存；然后在剩余数据上做 5 折交叉验证。并且，为了同时了解模型的外推能力，建议准备两套划分：一套随机划分，另一套按化学体系分组划分。再次，预处理：所有标准化和特征筛选都只在训练部分拟合。最后，指标：以 MAE（eV）为主指标，同时报告 RMSE 和 R²。

于是，这一步的产物应当是一组文件：划分清单（每个样本属于哪一份）、随机种子、预处理设置和指标定义。这样，任何人拿到这些文件，都能复现同一套验收规则。

三、用描述符加经典模型预测一个性质

规则定好之后，才开始建模。首先，由于输入只有化学式，所以选用 1.6 节介绍的 Magpie 组分描述符，把每个化学式变成一百多个数字。接着，检查描述符是否有计算失败的样本，例如包含罕见元素而查不到元素性质；这些样本同样不能悄悄丢掉，而要记录下来。

然后，训练两到三个模型进行比较。例如，岭回归作为简单透明的线性模型，随机森林作为灵活稳健的非线性模型；如果样本数不太多，还可以加上高斯过程，以便观察不确定性。同时，每个模型的超参数都在交叉验证中选择，例如岭回归的 λ、随机森林的最大深度和树的数量。

在此过程中，你并不需要自己写代码，但需要像项目负责人一样给 Agent 下达清楚的任务卡。例如：

请按我提供的划分清单和随机种子，用 Magpie 描述符分别训练岭回归和随机森林。超参数在 5 折交叉验证中选择，候选范围写进配置文件；预处理只在每折的训练部分拟合。请输出每个模型在随机划分和分组划分下的交叉验证 MAE 均值与波动，并保存模型、配置和运行日志。在我确认之前，不要在测试集上评估。

注意最后一句：测试集要等所有选择都做完之后，才能打开一次。

四、与简单基线比较，检查误差与失败样本

交叉验证选定模型之后，就可以在测试集上做唯一一次评估。然而，拿到测试 MAE 之后，还不能立刻下结论；相反，要先和基线比较。具体来说，至少准备两个基线：一是“一律预测训练集平均值”，二是“Magpie 加岭回归”。于是，结果可以整理成下面这样一张表：

读这张表时，可以依次问三个问题。首先，最好的模型比“预测平均值”好了多少？如果好得不多，说明描述符或模型并没有学到太多规律。其次，随机划分和分组划分的误差差了多少？差距越大，说明模型越依赖“见过相似的材料”，外推能力也就越弱。最后，模型之间的差异是否超过了交叉验证中的波动？如果没有，就不能说一个模型明显更好。

接着，要查看误差最大的样本。例如，把测试集中误差最大的 20 个样本列出来，逐个看它们的化学式、标签和预测值。于是，你可能会发现一些规律：它们也许集中在含过渡金属的化合物上，也许是真实带隙很大、而模型预测偏低，也许标签本身就可疑。同时，还可以画一张“预测值—真实值”散点图，看看模型是否系统性地高估或低估某一范围的样本。这些发现，比测试 MAE 本身更能说明模型的能力和边界。

五、保存数据版本、模型与评测记录

最后，项目做完并不等于结束，还要让它能被复现和交接。正如 0.3 节所说，一次运行应当留下足够的记录，使别人（或几个月后的你）能重新得到同样的结果。因此，项目一至少应当保存以下内容：

然后，请你用自己的话写一段不超过 300 字的结论，至少回答三个问题：模型比基线好多少？它在什么样的材料上表现较差？它能否用来预测全新元素组合的材料？这里，结论要和证据对应，例如“分组划分下 MAE 明显增大，因此对新化学体系的预测应谨慎”。能诚实地写出模型做不到什么，是这个项目最重要的收获之一。

六、验收清单与承上启下

在提交项目之前，对照下面的清单逐项确认：

1. 标签的单位、来源和版本已写进数据说明。
2. 划分清单和随机种子在建模之前就已固定，并且测试集只评估了一次。
3. 预处理只在训练部分拟合。
4. 结果表中包含至少两个基线，以及随机划分和分组划分两组结果。
5. 列出并分析了误差最大的样本。
6. 另一台电脑按记录重新运行，能得到相同或非常接近的指标。

完成项目一之后，你已经走完了一条最基本的“结构 → 数据 → 模型 → 评估”的路线。然而，这条路线中有一个环节始终被当成了“给定”：标签从哪里来？为什么计算得到的带隙会和实验不同？于是，第二部分就从电子与能量出发，讲清 DFT 怎样算出这些标签，以及它们各自带着怎样的误差。

学完第一部分，我们已经从原子和化学键出发，一路走到了第一个预测模型。不过，内容一多，重点就容易散开。因此，本节不讲新知识，而是把最重要的结论收拢成一张清单，方便你随时回看。

一、化学与结构

• 首先，结构式记录的是连接关系。 因此，分子式相同的乙醇和二甲醚，仍是两种不同的分子（1.1、1.2）。
• 其次，二维图不等于三维结构。 所以，ChemDraw 里的图只说明连接和立体化学，真实构象要另外生成或读取。
• 再者，晶体只需描述一个晶胞。 这是因为周期性保证了，晶格参数加原子坐标就能拼出整块晶体（1.3）。
• 同时，数原子时要按共享比例折算。 例如，顶点算 1/8，面心算 1/2；于是，NaCl 常规晶胞中共有 4 个 Na 和 4 个 Cl。
• 另外，只写化学式并不够。 换句话说，同一化学式可以有不同的相，所以还要说明结构和条件。

二、查看与记录

• 首先，VESTA 用来查看和检查，而不是修改结构。 因此，Boundary 只改变显示多少原子，并不改变结构本身（1.4）。
• 其次，先核对数字，再看图像。 也就是说，元素、晶格参数、坐标类型和原子数都要先对上。
• 此外，分数坐标和笛卡尔坐标不能混用。 否则，同一组数字会被放到完全不同的位置（1.3、1.5）。
• 并且，周期体系中的距离要取最近的周期副本。 所以，把晶体误当成孤立分子时，跨边界的邻居就会“消失”。
• 最后，一个标签应当写全“数值 + 单位 + 来源 + 设置 + 版本”。 这样，不同口径的数据才不会被混在一起训练。

三、建模与评估

• 首先，模型不能直接吃原始坐标。 这是因为平移、旋转或调换原子顺序都会改变坐标，却不改变结构，所以要先转成描述符（1.5、1.6）。
• 其次，训练误差低不代表模型好。 因此，必须用模型没见过的数据来检验，并警惕过拟合。
• 同时，测试集只能用一次。 也就是说，一旦用它挑过模型，它就变成了验证集（1.7）。
• 此外，相似样本不能跨集合，预处理也只在训练集上拟合。 否则，信息会悄悄泄漏，误差也会偏乐观。
• 并且，结果要和简单基线比较。 换句话说，连“预测平均值”都赢不了的模型，再复杂也没有意义。
• 最后，看到一个误差数字，先问它来自什么样的测试集。 例如，分组划分和随机划分之间的差距，恰恰说明了模型的适用范围。

四、一条主线

总的来说，第一部分走的是这样一条路线：结构 → 可追溯的数据 → 描述符 → 模型 → 诚实的评估。 其中，每一步都要留下记录，这样别人才能复现你的结果（1.8）。

那么，你是否真正掌握了这些内容？不妨合上课本，试着用自己的话向 AI 复述上面三组要点，再请它指出你漏掉或说错的地方。接下来，第二部分将回答一个始终被当作“给定”的问题：这些标签究竟是怎样算出来的。

从薛定谔方程到密度泛函

Kohn-Sham 框架

交换关联泛函的层级

实空间中的周期性

倒格子与波矢

布里渊区

为什么需要 k 点采样

泛函

赝势与投影缀加波

基组/截断能

k 点

自旋初始化与磁构型

DFT+U

色散校正

收敛判据

本地与集群的区别

CPU/GPU 与并行：按程序支持选择资源

SLURM 作业脚本与资源申请

提交、查看日志与检查任务是否完成

任务失败的常见原因与重跑

固定原子位置与晶胞的单点计算

检查电子收敛与输出完整性

总能、受力与应力

态密度与带隙及其后处理

电荷密度与 VESTA 等值面显示

离子弛豫与晶胞优化

力与应力的收敛

局域极小与初始结构的影响

用 VESTA 比较弛豫前后的结构

不同设置为何不能混用

PBE 与 r²SCAN 的差异

带隙低估与形成能的系统偏差

向实验值的 Δ 修正

Materials Project

OQMD

AFLOW

Alexandria

JARVIS

NOMAD

坑在哪里

参考态、归一化与形成能

竞争相与分解反应

凸包与 E_hull

亚稳窗口与判据的适用条件

热力学稳定、动力学稳定与可合成性的区别

简谐近似

虚频与动力学稳定性

振动熵与自由能

弹性常数

势能面、能量梯度与原子受力

MD 的基本框架

积分器

温度与统计量

系综与控温控压

每一步都要计算受力：为什么需要机器学习势

配置 PyTorch，认识张量与设备

预测一个数字：从线性模型到神经网络

损失函数

导数、梯度与自动微分

反向传播与参数更新

一个包含验证步骤的完整训练循环

平移/旋转/置换不变性

等变性

为什么力要随几何旋转

截断半径与“局域性假设”的代价

一个原子怎样读懂周围

消息传递

不变架构与等变架构的分水岭（SchNet → NequIP/MACE → Equiformer 一类）

从原子表示到原子能量与总能

由能量对坐标的负梯度得到力

能量与力标签、单位和归一化

能量/力联合损失与权重选择

能量守恒与力的物理一致性

从小模型训练过渡到通用势微调

MPtrj

Alexandria

OMat24

MatPES

OMol25

MACE-MP-0

CHGNet

MatterSim

GRACE

eSEN/UMA

拿来即用

微调（含冻结迁移）

蒸馏

什么时候必须自己从头训

长程静电与电荷转移

极化与界面

自旋与磁性

反应与键断裂

外推与势面软化

“力误差很低但 MD 跑飞”

选择体系、构型范围与一致的计算设置

按体系、弛豫或 MD 轨迹分组后再划分数据

重复与近重复结构：同一轨迹的多帧为什么不能随机拆分

固定训练、验证与测试集，记录来源和划分清单

预先确定能量/力误差与短程 MD 稳定性检查

按既定体系与计算设置生成数据

执行已固定的去重与分组划分

微调通用势并用验证集选择设置

与未微调模型比较能量和力误差

短程 MD 检查与失败记录

扩散系数

热导与热学量

相变与稳定性

增强采样与自由能

回顾项目一与项目二的固定划分

随机与分组评测为什么会得出不同结论

按体系/组分/时间划分对应什么使用场景

留一族交叉验证

复查重复与近重复结构、弛豫与 MD 轨迹分组

预处理与模型选择是否接触了测试信息

目标量与特征的隐含耦合

通用势的预训练数据是否与评测集合重叠

怎么判断一个样本在不在训练分布内

迁移到新化学空间时的衰减曲线

不看能量 MAE 该看什么

Matbench Discovery 的稳定性判别

κ_SRME

MD 稳定性测试

集成

MC-dropout

高斯过程后验

校准曲线与可靠性图

用本部分的协议重新验收那个微调出来的势

分布外样本

稳定性测试

不确定性是否可信

给定组成，找出它会长成什么样

搜索空间到底有多大

用形成能、凸包与 E_hull 筛选候选

亚稳窗口与搜索目标

温度、熵与虚频如何影响候选的判断

安排弛豫、声子与更高精度计算的验证顺序

从对称操作到空间群

等价位置、位点对称性与 Wyckoff 位点

占位、组成与结构自由度

结合 CIF 与 VESTA 查看对称操作生成的原子位置

Wyckoff 模板如何约束结构搜索

随机采样

遗传算法

粒子群

模板替换

对称性约束（Wyckoff 模板）搜索

能量评估器和搜索算法是两件独立的事

性质预测与结构生成各自输入什么、输出什么

概率分布、采样与条件生成的直观含义

生成对象：元素、晶格与原子坐标

扩散主线：加噪、学习去噪与逐步采样

周期性边界与对称性如何进入生成过程

VAE、流匹配与语言模型的思路概览

主线案例：DiffCSP 的输入、训练与生成流程

CDVAE 与 MatterGen：任务、表示和生成条件的比较

条件生成与性质导向设计

拓展：流匹配（FlowMM）与语言模型（CrystaLLM）

有效性/唯一性/新颖性

SUN 率

DFT 验证通过率

与已知数据库的查重

精读 Cheetham 与 Seshadri 对 GNoME 的批评

从 E_hull 到合成可行性预测

前驱体与反应路径

预测与实验之间真实存在的鸿沟

批量任务

命名

版本

失败重跑

atomate2 / AiiDA / jobflow

跨库取数与 OPTIMADE 互操作

从百万候选到十个值得做的

按代价分层与多保真度

假阳性与假阴性的成本并不对称

下一次计算给谁

采集函数

批量采集与多样性

冷启动

必须和随机采样基线对照

让计算预算形成可恢复闭环

电子结构的机器学习

DFT 哈密顿量与密度矩阵预测（DeepH 一类）

性质直接预测的适用边界

XRD 与谱学（XAS、NMR）的正向模拟和反向解读

机器学习谱学预测

自驱动实验室

LLM agent 在文献抽取与工作流编排中的位置和当前局限

看数据划分

看基线

看验证率

而不是看排行榜名次