• 反应力场：这是一个力场，具有明确的力场函数，具有几百个参数，体现为一个很小的文本文件，具有一定的可迁移性。
• 机器学习势：机器学习势，作用相当于一个力场，但它不是一个力场，没有一个具体的函数，或者一个包含力场参数的很小的文件。机器学习势是大量的直接数据（几个G），因此机器学习势训练出来后，没有可迁移性，无法供其他软件识别。这种势是通过机器学习训练得到的，因此叫做机器学习势。
• 训练机器学习势：是通过机器学习的工具，从DFT计算得到的数据、实验数据，训练出一个经验性的东西，这个东西叫做机器学习势。因此需要这个训练工具、使用机器学习势进行分子动力学模拟的工具、DFT计算工具。

1，该模块包含经典有机、生物体系力场、GFNFF力场、机器学习力场等：

• GFNFF：适用于元素周期表前6周期所有元素的通用型力场，准确描述整个周期表中大分子的结构和动力学（但不描述化学反应），力场的速度、近乎量子力学的精度相结合
• UFF
• UFF4MOF：专门用于MOF材料的模拟
• UFF4MOF-II：专门用于MOF材料的模拟
• GAFF：有机
• Amber95：有机
• Tripos5.2：有机
• 机器学习势：
  • AIMNET2：HBCNOFSiPSClAsSeBrI，支持离子体系（包含多个分子离子的整个体系中，不支持指定某个离子的电荷，仅支持指定整个体系的电荷），但是不支持周期边界条件，在SCM → Package中下载后可以使用。
  • ANI-1ccx：有机分子，只支持C、H、O、N，训练集为DLPNO-CCSD(T)/CBS
  • ANI-1x：有机分子，只支持C、H、O、N，训练集为ωB97-x/6-31G(d)
  • ANI-2x：有机分子，只支持C、H、O、N、F、S、Cl元素，训练集为ωB97-x/6-31G(d)
  • ALIGNN-FF：如何安装使用？
  • CHGNet：CHGNet详细介绍。电池领域研究的用户，非常青睐这个势。根据材料项目轨迹数据集（Materials Project Trajectory Dataset，MPtrj)）的能量、力、应力和磁矩进行了预训练，该数据集包含 10 多年对超过 150 万个无机结构的密度泛函理论计算。明确包含磁矩使 CHGNet 能够学习并准确表示电子的轨道占据，从而增强其描述原子和电子自由度的能力，适用于如下元素（如何调用？）：
  • M3GNet-UP-2022：适用于绝大部分元素(详见下表)，关于该力场的简介参考：M3GNet-UP-2022 简介，适用元素：
  • 用户自定义机器学习势（ParAMS训练力场只包括ReaxFF、Lennard-Jones、DFTB:GFN1-xTB，不含机器学习势）

2，功能：

• 单点计算（能量、能量梯度）
• 频率计算
• 结构优化
• 分子动力学

3，适用的体系：

• 非周期性体系
• 一维周期性体系
• 二维周期性体系
• 三维周期性体系

4，安装

• 参考：机器学习力场的安装

• 基于机器学习势的分子动力学、蒙特卡洛：功能非常丰富，用法与ReaxFF几乎完全一致，参考ReaxFF教程即可：分子动力学：ReaxFF & 机器学习势。ReaxFF的全部功能，机器学习势都支持，唯一区别仅仅是Main窗口设置的区别。另外eReaxFF教程显然不适用机器学习势，另外，外加静电场的情况对机器学习势有效性如何未测试过（可能有的势不支持），不过肯定不需要像ReaxFF那样外加弹性墙壁。

• 机器学习势如何指定电荷
• 每种机器学习势由于训练模型不同，因此性质也差异很大，比如有的机器学习势不支持周期边界条件，有的不支持带电体系。不过通过AMS的图形窗口建模、参数设置时，软件会弹出相关提示，请仔细阅读。