模拟与实验相结合：机器学习助力预测金纳米簇结构演化
芬兰于韦斯屈莱大学研究团队借助机器学习势函数开展超长时间尺度分子动力学模拟，揭示硫醇保护金纳米簇在高温下的分层变形与融合过程，为纳米材料设计与催化应用研究提供新线索。
新模拟框架将原子尺度与宏观流体过程纳入同一计算
劳伦斯利弗莫尔国家实验室与加州大学戴维斯分校研究人员在《物理评论E》发表研究，提出一种将分子动力学与流体动力学同步耦合的模拟框架，用于在惯性约束聚变等极端条件下同时获取微观与宏观信息。
芬兰于韦斯屈莱大学研究团队借助机器学习势函数开展超长时间尺度分子动力学模拟，揭示硫醇保护金纳米簇在高温下的分层变形与融合过程，为纳米材料设计与催化应用研究提供新线索。
劳伦斯利弗莫尔国家实验室与加州大学戴维斯分校研究人员在《物理评论E》发表研究，提出一种将分子动力学与流体动力学同步耦合的模拟框架，用于在惯性约束聚变等极端条件下同时获取微观与宏观信息。
