高通量计算，先学会不算什么

有人曾在组会上骄傲地说："我这轮算了五千个结构。"导师没有表扬，只问了一句："推荐了几个？" "一个。" "那四千九百九十九个为什么白算了？"

真正的高通量计算，精髓不是算得多，而是知道该算什么、不该算什么。如果你算了一千个结构，到头来只推荐了一个——那一千个不是浪费，是证据。但前提是，它们经过设计，而不是随机撒网。

筛选从第一组计算之前就开始了。你要先定义合理的设计空间，而这个空间不是越大越好。结合晶体化学规则、合成可行性和已有实验线索，把明显不靠谱的候选提前剔除。

我做过一次锂电正极材料筛选，最初的设计空间几乎覆盖所有过渡金属氧化物。后来加了几个约束：层状或尖晶石结构、工作电压 3–5 V、含地球丰量元素、热力学稳定窗口与电解液兼容。设计空间从百万降到几千，后续计算才真正有意义。

描述符是筛子，不是标签。好的描述符要同时满足三点：与目标性能物理相关、计算成本低、能区分优劣。以 ORR 催化剂筛选为例，早期用 d 带中心，后来发展出更精细的活性火山图描述符。如果你的描述符和真实性能相关性很弱，算得再多也只是制造数字垃圾。

最高效的筛选是迭代的。先算一批，训练代理模型，用它预测剩余候选，再挑"信息量最大"的样本补算。主动学习能用最少计算找到最优解。

动手之前，先用 Research Gap Mining 明确筛选目标卡在哪个科学空白上；再用 Literature Miner 梳理已有实验和计算数据，避免重复劳动。计算本身可以在 SLMat 上快速启动。

下次设计高通量流程时，先画一张漏斗图：设计空间有多大？每一步过滤掉多少？最终留下多少进入高精度验证？这张图画清楚了，你的高通量研究才算真正开始。