认识世界的第三条路
在历史的大部分时间里，化学只有两条学习的路：做实验，或者用纸笔推演理论。计算机开出了第三条路。因为支配原子的规律是*已知的方程*，我们可以把这些方程交给机器，让它一点点算出原子会怎么做——不需要试管。这就是计算化学：靠计算而不是靠反应来做化学。
既然有真实的实验室，何苦如此？因为计算机能去实验台去不了的地方。它可以模拟一个会爆炸的反应、一个只存在十亿分之一秒的分子，或者一个还没人合成出来的候选药物。在计算机里搭建一个分子或材料的可运行模型，叫作分子模拟——一份你可以戳、可以加热、可以慢动作观看的虚拟样品。
深层的难题：一条我们解不全的漂亮方程
这一切的核心，端坐着一条方程。薛定谔方程原则上精确描述了任何分子里电子的行为——而电子正是让化学得以发生的东西。把它解出来，你就什么都知道了：形状、能量、颜色、反应性。麻烦在于，对于任何比氢原子更大的体系，这条方程精确求解起来就纠缠到不可能。所有电子同时彼此推挤，数学就打成了死结。
所以计算化学的整盘棋，就是去找聪明又诚实的*近似*——在不精确求解那不可能之物的前提下，把答案做到足够接近、足够有用。不同的方法，在准确度和计算机所需的时间之间做出不同的取舍。为手头的任务挑对那笔取舍，就是这门功夫的一半。
密度泛函理论：一条绝妙的捷径
对付电子这道难题，最流行的近似是密度泛函理论，通常缩写为 DFT。它的诀窍是换一套记账方式。DFT 不去单独追踪每个电子那条完整又纠缠的波，而只追踪*电子密度*——一团简单的云，告诉你电子在空间每一点上抹得有多厚。事实证明，这团比完整的纠缠简单得多的云，仍然带着足够的信息，能算出一个分子的能量和形状。
这条捷径把不可能变成了仅仅是困难。DFT 足够准、又足够快，如今每年要跑上几百万次——设计电池材料、筛选催化剂、预测一个设想中的分子究竟能不能成形。它并不完美，细心的化学家知道它的盲点，但它是这个领域里的日常主力，就像光谱仪之于实验台。
分子动力学：给原子按下“播放”
DFT 告诉你一个静止不动的分子的样子。但化学是*运动*——分子在互相推搡、折叠、碰撞。要看这个，我们用分子动力学。它的念头简单得近乎卡通：给每个原子一个位置和一个小小的初速，算出每个原子从邻居那里感受到的作用力，让一切移动一飞秒那么久，再重新算力，然后重复。把几百万个这样的小步串起来，就成了一部原子运动的电影。
研究者就是这样观看一个蛋白质折叠成形、看水如何流过一条微小的通道，或者弄清一种材料为什么恰好在那个温度熔化。难处在于时间尺度：每一步只跨一飞秒，所以哪怕在超级计算机上跑一场英勇的计算，也只够到达微秒——对我们是一次心跳，对一个原子却是永恒。明智地读分子动力学，意味着永远要问一句：这部电影跑得够不够长，足以展现你在意的那件事？
蒙特卡洛：靠掷骰子来求知
还有第二条更狡黠的路去探索一份虚拟样品，它倚仗的是机遇。蒙特卡洛模拟根本不沿着时间去跟踪原子。它转而提出一个随机的改动——推一下这个分子、翻一下那个——再用一条加了权重的规则来决定接受还是拒绝，使得在几百万次随机尝试之后，它访问过的那些构型，恰好符合大自然真正会产生的统计。它以那家著名的赌场命名，因为它是靠极其大量、又极其聪明地“赌”，来学到真相的。
- 分子动力学：当你在意一个体系如何随时间运动和变化（折叠、流动、熔化）时最好用。
- 蒙特卡洛：当你只在意最终的统计——平均能量、某个状态出现的频率——而不在意走到那里的逐步路径时最好用。
- 两者：在相信结果之前，永远要拿它和真实测量去对照。
虚拟与真实相遇之处
人们很容易以为计算机让实验室过时了。它没有——它给实验室造了个搭档。模拟提示哪些实验值得去做；实验则告诉模拟，它的近似在哪里出了错。而且，正如一次实验台上的测量，一个算出来的数字也带着它自己的不确定度——来自所选的近似、模型的局限、有限的运行时长。诚实的计算化学家，会像任何读温度计的人一样，以同样的纪律把这份不确定度报出来。计算机是一座实验室，而一座实验室只有在你诚实地发问时，才会对你讲真话。