时间在数据、代码、公式和一次次的组会中飞速流逝，如同指间流沙。日历翻到七月下旬，清华园的暑假已过半，蝉鸣依旧热烈，但空气中已隐约带上了一丝夏末的慵懒与躁动。

对于沉浸在课题组的许源和徐嘉庆而言，季节的变换只体现在窗外越来越早降临的暮色，和越来越频繁的、关于暑期即将结束的提醒邮件。他们的“盛夏探索”，进入了最后、也是最密集的攻坚阶段。

在许源的“玩具宇宙”里，粘滞吸积盘正从模糊的轮廓，向着稍具“真实感”的简化模型演进。

在成功模拟出带角动量 Bondi 流形成“类盘”结构后，杨博士建议的下一个目标——计算局部粘滞耗散热并尝试构造“辐射谱”——将他引向了更深的物理和数学丛林。

吸积盘的“发热”源于粘滞应力做功。在α-盘模型中，这个产热率可以用一个相对简洁的公式表达，依赖于盘的面密度、角速度及其径向梯度、以及粘滞系数α。然而，将这个公式应用到他的数值模拟结果上，却遇到了障碍。他的模拟是流体力学框架，输出的是每个网格点的密度、速度、压力等，并没有直接给出“面密度”（垂直于盘方向的积分）和“角速度”（在非轴对称情况下定义需谨慎）。他需要先从三维（虽然他的模拟简化为一维径向，但考虑旋转后实际是二维柱坐标问题）的体密度分布，通过适当的积分（或近似）得到“面密度”，并从速度场中提取“旋转速度”分量。

这涉及到数值处理技巧。他查阅了相关文献，学习了如何在一维径向离散网格上近似计算柱坐标系下的面积分，以及如何处理靠近中心奇点的数值发散问题。经过几天的调试，他终于得到了一个看起来合理的、随半径变化的局部产热率分布曲线：在盘的内区（靠近中心天体）产热剧烈，向外迅速下降，符合理论预期。

接下来是“辐射”。真实的吸积盘辐射机制极其复杂，涉及热辐射、同步辐射、康普顿散射等多种过程，与盘的温度、密度、磁场、乃至广义相对论效应（如引力红移、光线弯曲）密切相关。许源的目标，只是构造一个“玩具级”的、基于纯热辐射（黑体辐射）假设的、粗略的“能谱”。

他假设每个半径环带的局部产热，完全以黑体辐射的形式释放出去，从而可以定义一个“等效温度”。然后，将每个半径环带视为一个温度为 T(r) 的黑体，计算其单位频率、单位立体角的辐射强度（普朗克公式），再对整个盘面积分（或近似求和），得到“总”的、面向观测者的能谱（流量密度随频率的变化）。

这需要处理一个从盘内区到外区、温度变化范围极大的积分，在数值计算时容易在高温端（紫外、X射线）或低温端（红外、射电）因指数函数导致上溢或下溢。

他又花了两天时间，编写了稳定的数值积分程序，并小心地选择了频率范围和采样点。

当最终，屏幕上第一次出现一条从低频到高频、先上升后下降的、大致呈现“峰值”形状的曲线时，虽然知道这结果与真实的天体（比如 X 射线双星或活动星系核）观测到的复杂能谱相去甚远，但许源心中依然充满了巨大的成就感。

这是他从最基础的流体方程出发，一步步推导、简化、数值实现，最终“预测”出的、一个物理系统的“可观测”信号！哪怕它简陋、充满假设，但这条曲线，连接了他模拟的“内部”动力学与天文学家实际“看到”的星光。

他将产热率分布和“玩具能谱”的结果整理好，连同对模型局限性的详细讨论，一起发给了杨博士。

杨博士的回复带着赞许：“完成度很高，逻辑链条清晰。对本科生而言，能从流体模拟走到能谱这一步，非常难得。可以思考一下：如果你改变中心天体的质量（影响引力势和开普勒速度）、或者改变粘滞系数α（影响产热效率），你的能谱‘峰值’频率和光度会如何变化？是否可以与某些简单观测现象（如 X 射线双星的不同态）做定性的类比？这能帮你更好地建立物理直觉。”

新的思考方向，将简单的数值练习，引向了更具物理洞察力的比较。许源开始尝试改变参数，批量运行模拟，收集能谱的变化规律。他就像一个小孩子，第一次摆弄复杂的仪器，虽然只能控制几个旋钮，却为能看到仪器指针随之摆动而兴奋不已。

在徐嘉庆的“分子宇宙”中，双层图网络的探索，正从粗糙的原型，向着更具健壮性和解释性的方向艰难跋涉。

上次组会尖锐的质询，像一把把精准的手术刀，剖开了他模型构想中脆弱的环节。他意识到，最大的挑战确实在于“超节点”的自动、合理定义。手工定义在水分子上可行，但毫无普适性，也缺乏物理原则指导。

他暂时搁置了具体的模型改进，转而潜入“多尺度建模”和“图表示学习”的文献海洋。

他阅读了关于“图粗化”（graph coarsening）、“图池化”（graph pooling）、“层次化图神经网络”的最新论文。

这些工作试图自动地将细粒度的图（原子级别）聚合成粗粒度的图（分子片段、功能基团级别），但通常是为了图分类或性质预测任务，如何服务于“力场”这种对局部几何极度敏感的任务，并自然引入长程相互作用物理，仍是一个开放问题。

与此同时，他也没有放弃实验。在水团簇上取得微弱提升后，张老师建议他测试一个更典型的体系：带电氨基酸残基在水溶液中的构象变化。这类体系同时涉及短程的范德华力、氢键，以及长程的静电相互作用，是检验力场长程处理能力的试金石。

他需要准备数据集。公开的分子动力学轨迹数据库中有一些相关的模拟，但数据格式不一，需要大量预处理。

他花了几天时间，编写脚本下载、转换、清洗数据，并划分训练/验证/测试集。然后，他用自己改进的双层模型（此时“超节点”暂时定义为每个氨基酸残基的质心，这依然是一种手动但相对合理的划分），与标准的 SchNet 和 DimeNet 进行对比。

结果喜忧参半。

在某些涉及带电残基相对位置变化的构象上，他的模型预测的势能面确实更平滑，与参考的量子力学计算结果（在较小体系上）符合得稍好。但在更多情况下，性能提升并不显著，甚至有时更差。消融实验表明，上层网络带来的收益并不稳定，高度依赖于“超节点”的定义方式和两层网络间信息融合的具体设计。

他仔细分析了失败案例。

发现问题可能出在信息损失和混淆上。将整个残基（可能包含几十个原子）的信息粗暴地聚合成一个“超节点”特征，丢失了大量细节化学环境信息。而上层网络在试图学习“长程”相互作用时，可能混淆了真正的静电效应和那些本应由底层短程网络处理的、由于残基内部构象变化引起的间接效应。

“或许，方向错了？”深夜，徐嘉庆对着屏幕上错综复杂的训练曲线和误差分布图，陷入了沉思。也许，试图用一个显式的、分离的“长程处理层”来解决问题，本身就过于复杂和脆弱。

物理上的长程相互作用（如静电），其数学形式（库仑势）是相对明确的。问题不在于“表示”，而在于如何将这种已知的物理规律，以一种高效且可微分的方式，整合到以短程相互作用为主的神经网络框架中。

他想起一篇最近读到的、关于“将物理算子整合进神经网络”的综述。

一个想法逐渐成形：与其费尽心机设计复杂的双层网络来自动学习“长程相互作用”，不如在标准的原子-键 GNN 之外，显式地计算一个基于原子点电荷（或可学习的电荷参数）的静电相互作用项，作为一个额外的、物理驱动的“力”贡献，与神经网络预测的短程力相加。

神经网络的职责，是精确预测那些复杂的、难以用简单公式描述的短程相互作用（交换-关联、Pauli 排斥、定向键等），而将相对“干净”的长程静电部分交给经典的、可解释的物理公式。

这相当于将问题拆解：神经网络负责“难”的部分（短程、多体、量子效应），物理公式负责“简单”的部分（长程静电）。两者结合，或许能兼具效率、精度和一定的物理可解释性。难点在于，如何从神经网络中学到每个原子“有效”的点电荷（这可能随化学环境变化），以及如何处理周期性边界条件和静电求和的巨大计算量。

但这个方向似乎更“正”，也更具有清晰的改进路径。他将这个新想法，连同之前双层模型的实验结果和失败分析，整理成一份详细的阶段性报告，准备在下次组会中提出，征求张老师和师兄师姐的意见。

他知道，这很可能意味着之前几周的工作很大一部分需要推倒重来，但科研就是这样，在试错中调整方向，远比在错误的方向上固执前行更有价值。

七月的最后一个周五，是许多课题组暑假前的最后一次正式组会。

许源在组会上，展示了他参数化的 Bondi-α盘模型，以及由此产生的、随参数变化的“玩具能谱”。他特别展示了改变中心天体质量时，能谱峰值向高频（更热）移动的简单规律，并尝试将其与观测上“低质量 X 射线双星”和“超大质量黑洞”能谱的大致差异进行定性联系。虽然类比非常粗糙，但体现了他试图从数值玩具中提取物理洞见的努力。

一位做观测数据分析的师兄提出了一个有趣的问题：“你这个模型能谱的‘形状’，比如幂律指数，在特定参数范围内，有没有可能和某些简单幂律谱的观测结果在量级上可比？虽然物理机制完全不同（你是热辐射，观测到的可能是非热辐射），但或许能说明，即使很简单的模型，在某些条件下也能产生与复杂观测‘形似’的信号，这提醒我们在解释观测时要小心。”

这个讨论将许源的思维从“如何做模拟”推向了“如何理解模拟结果与真实世界的关联”，眼界为之一阔。

徐嘉庆的组会分享则更具“转折”意味。他先坦诚地汇报了双层模型在更大体系上不稳定的结果，并深入分析了可能的原因。

然后，他提出了新的思路——“物理引导的混合模型”：用神经网络处理短程复杂相互作用，用显式静电求和处理长程部分。他详细阐述了这个想法的动机、潜在优势、以及面临的关键挑战（如原子电荷的预测、静电求和的计算效率）。

这一次，质疑依旧，但方向性更明确了。

“如何确保神经网络预测的电荷是‘物理’的？会不会和短程相互作用部分存在冗余或冲突？” 王瀚师兄问。

“周期性边界条件下的静电求和（Ewald 或 PME）计算量很大，尤其对于可变电荷模型，如何在反向传播时保持高效？” 另一位做高性能计算的师兄指出。

“有没有考虑过，用神经网络直接学习一个‘有效介电函数’，来隐式地处理长程静电，而不是显式分开？” 张老师提出了另一个可能性。

这些讨论，为徐嘉庆勾勒出了一幅更清晰的技术路线图。

他需要深入学习计算化学中处理静电相互作用的经典方法（Ewald, PME），思考如何将其与自动微分结合；需要设计合理的神经网络架构来预测环境相关的原子电荷，并确保与短程力部分的协同；还需要寻找或构建合适的数据集，来验证这种混合模型相对于纯神经网络或传统力场的优势。