参考资料：

• 机器学习势模拟化学反应
• AMS软件：从AIMD从头训练或微调机器学习势M3GNet、NequIP

训练方法：https://www.scm.com/doc/params/index.html

• 优点：仍然维持使用ReaxFF方法
• 缺点：
  1. 耗时庞大：训练力场是一个体力活，需要准备相当庞大的训练集（也就是以DFT计算数千样本结构），以及因此带来的巨大计算量
  2. 力场质量难以保证：需要用户清楚如何选择训练集，训练集的质量，直接影响最终训练出来的力场的质量

参考案例：使用DFTB-MD模拟银表面甲醇分子吸附的动力学过程

• 优点：精度、可靠度比ReaxFF高很多
• 缺点：
  1. 效率低于ReaxFF，但在可接受范围
  2. 没有ReaxFF的反应分析工具，只能靠用户肉眼观察原子运动轨迹
  3. 也需要DFTB含有该元素体系的参数才可以
  4. DFTB描述偏离平衡的结构，精度并不高，因此推荐度低于MOPAC-MD

MOPAC-MD的使用与DFTB-MD非常类似，MD参数设置完全一致。但是计算方法选择什么？则需要注意。PM7适用的元素范围较广，但也不是所有元素都能得到很好的结果。也适用于三维、二维、一维周期性体系。

• 优点：精度、可靠度比ReaxFF高很多，但也需要选择MOPAC中合适的方法
• 缺点：
  1. 效率低于DFTB，比DFTB慢一个数量级
  2. 没有ReaxFF的反应分析工具，只能靠用户肉眼观察原子运动轨迹
  3. MOPAC对有的体系描述的很好，有的体系描述的很差，当然这个问题对DFTB也一定程度上存在。

ADF、BAND都支持DFT-MD。其中ADF没有周期性边界，BAND有周期性边界。ADF与BAND并行效率很高，因此如果硬件足够多，效率的问题也是可以接受的。基组、k点（对BAND需要设置ｋ点，ADF模块没有周期性边界，因此不需要设置ｋ点）设置的比平时计算精度低很多也可以，例如DZP基组、k点设置为basic即可。

• 优点：精度没有问题
• 缺点：效率是ReaxFF的1/1000量级