1. 研究背景与问题引入

超临界水在诸多化工和能源领域具有重要的应用价值，而精确描述其微观热力学特性的核心在于构建可靠的分子间相互作用势。

此前，发表在 JCPL 上的原版超临界水模型虽然在宏观性质的预测上取得了一定成果，但在深入分析其底层物理图像时，我们发现了一个关键缺陷：该模型在 O-H 拉伸势能面（Potential Energy Surface）上存在明显的受力描述伪影（Artifacts）。 这种物理上的不平滑和非物理震荡，会直接影响长时间分子动力学（MD）模拟的稳定性和动力学性质的计算精度。

2. 模型重构：消除 O-H 拉伸受力伪影

为了解决这一痛点，本工作基于 Deep Potential (DP) 方法重新进行了数据集采样与模型训练。

• 数据清洗与增强：针对 O-H 拉伸的关键构型区域进行了高精度第一性原理（DFT）数据的补充。
• 物理规律对齐：通过调整神经网络的训练策略与损失函数权重，重点优化了对极端构型下受力的拟合表现。

结果表明： 新训练的 DP 模型彻底消除了原有的受力描述伪影，O-H 拉伸势能面恢复了物理上应有的平滑过渡，显著提升了模型在极端条件下的鲁棒性。

(👇 提示：在这里可以用 Typora 截图粘贴你的势能面对比图，比如命名为 pes-compare.png)

3. 工程优化：dpmdkit2 助力 5.5 倍加速

在保证物理精度的前提下，超临界水的相态和团簇演化往往需要大尺度、长时间的 MD 模拟，这对模型的推理速度提出了极高要求。

在本工作中，我们引入了最新的 dpmdkit2 工具链。通过其内置的新一代模型压缩（Model Compression）工具，对训练好的 DP 冗余参数进行了深度精简与计算图优化。

• 精度损失：压缩前后，能量与受力的 RMSE 保持在极小的阈值内，精度几乎无损。
• 速度提升：在相同的硬件测试节点上，压缩后的模型单步计算效率达到了原版的 5.5 倍！

(👇 提示：在这里可以插入一张柱状图，直观展示压缩前后的耗时对比)

4. 总结与展望

这套全新的超临界水 DP 模型，兼顾了底层物理的准确性（无伪影）与极致的计算效率（大倍率加速）。这不仅为后续的大尺度超临界水热力学/动力学性质研究铺平了道路，也验证了 dpmdkit2 在复杂体系势函数优化中的巨大潜力。

接下来，我们将利用该模型进一步探索超临界水在不同温压条件下的氢键网络拓扑演化规律。敬请期待！