《npj Computational Materials》：Machine learning the entropy to estimate free energy differences without sampling transitions
编辑推荐：
针对传统模拟难估熵、相变路径采样昂贵等问题，研究者提出基于深度学习估算各亚稳态熵与自由能的新方法。该法仅需对晶态/液态金属进行短时模拟，即可高精度预测Na/Al熔化温度，无需过渡路径信息，为高能垒体系提供高效计算方案。
在物理与化学的微观世界里，热力学相变如同“冰融成水”般常见，却藏着让科学家头疼的难题：从材料的熔化到蛋白质折叠，这些过程的本质是体系中能量与混乱度（即熵）的博弈——前者易算，后者难求。传统方法要比较两个物相的稳定性，往往被迫“硬闯”它们之间的高能垒过渡区，耗费海量算力；若想加速，又需预先知晓反应的慢速运动模式，这常如盲人摸象。更无奈的是，许多复杂体系（如合金熔解、生物大分子构象变化）的能量壁垒极高，模拟一次跨越耗时数月甚至数年，成了计算领域的“拦路虎”。
正因如此，《npj Computational Materials》发表的这项研究让人眼前一亮：它绕开了过渡态的泥潭，提出用机器学习直接“学会”体系的熵，从而算出自由能差。团队的思路像给复杂系统做了次“无创体检”——只需分别对各亚稳态（metastable state）做短时间模拟，就能精准锁定它们的相对稳定性，连相变的门槛都不用踩。
研究者以金属钠（Na）和铝（Al）的熔化为例，验证了方法的威力：无需预设液固转变路径，仅靠两相各自的轨迹数据，便让熔化温度的预测精度站到了行业前沿。这不仅为材料设计省下了九成算力，更让那些曾因高能垒而“不可算”的相变难题有了新解法。
关键方法上，团队利用深度学习模型学习体系构型空间的概率分布，据此重建熵值；结合分子动力学（MD）获取各亚稳态短轨迹，整合成自由能差；再对照已知实验数据校准熔点，所用样本源于标准金属晶体与液体模型的平衡模拟。
Entropy estimation via machine learning
通过训练神经网络拟合相空间密度，证明模型能从有限样本准确还原熵的贡献，误差远低于传统直方图法。
Free energy differences without transition sampling
对比显示，新法所得液固自由能差与传统过渡态采样一致，但对Na/Al的熔点预测偏差缩小至数开尔文内，显著优于需路径信息的增强采样。
Melting temperature benchmarks
在Na和Al体系中，新方法仅用单相毫秒级模拟即复现实验熔点趋势，且不依赖反应坐标或偏置势的先验设定，普适性更强。
研究表明，机器学习驱动的熵估计可替代过渡态采样，成为计算自由能差的通用框架；其在金属熔化的成功仅是起点，未来有望拓展至合金设计、软物质相变乃至生物分子构象分析，让“算不准的熵”不再是热力学模拟的瓶颈。
