最近因为科研项目开始接触 Gaussian 和 DFT，也看了不少关于计算化学的经验帖。我觉得这个方向入门似乎不难，但是要往深了做，又感觉什么都要学。

“计算毁一生，量化穷三代。”

如果只是从“会不会用软件”这个角度来看，计算化学似乎并不难。研究分子体系，可以用 Gaussian、ORCA；研究固体和周期性体系，可以接触 VASP等。如果只是会用软件做点计算，我暂时想不到能赚钱的理由，要么你去帮别的学校别的组干点活拿点薪水，要么你去卖课当老师。

现在有了ChatGPT等AI，那么这个步骤又会更简单。输入文件不会写，可以问 AI；SCF 不收敛，可以把报错丢给 AI；Linux、Python、批处理脚本不会，也可以让 AI 帮着写。

以前初学者可能要花很久解决的问题，现在确实可以很快跨过去。

但问题不是怎么把它跑起来，而是你不知道为什么这么算，你在算什么。

ai是黑盒，软件也是黑盒。

计算化学越深入，越会发现需要补的东西越来越多。开始是软件操作，后来是量子化学、量子力学，再往后会遇到线性代数、数值方法、Python、Bash，所以说计算化学是一门不断学习的科目。

如果真想把纯计算当成自己的核心竞争力，好困难。

一种是计算和实验都懂，但这多半不现实，要么你是天才一看就会，要么你的时间无限。

另一种是数学、物理和编程都比较强，能搭建计算集群，然后根据需求手搓并行量化（或者说手搓算法，源码训练泛函），还有和实验组有密切合作经历。（但是首先你要竞争的过那些物理数学出身的，其次你既然对这些感兴趣，同时能力又很强，为什么不润去ai方向呢）

如果不谈前途不谈就业，那么计算化学看起来又潜力无限。

计算化学本质上是用计算机实验替代或补充传统实验室工作，在原子、分子尺度上去揭示化学现象的本质。那么AI的发展是不是就更有利于其实现呢，以后是不是就能通过计算化学来减少一些不必要做的实验呢？

我不知道计算化学是不是一个更好的方向。

就我来说，只是组里没人做dft计算，想让我尝试一下，而我也想要多了解一下。所以我有了个想法，就是比较简单的计算化学入门适合作为实验化学学生的一项辅修技能。（至少你站着做实验做累了，你能坐着敲键盘歇会XD)

计算可以验证实验，计算也可以解释原因。

我自己并不是特别喜欢算法、矩阵和纯理论，也暂时没有想成为计算化学家的打算。相比于开发新的计算方法，我可能更感兴趣的是那些具体的化学问题。

比如实验可以得到产物，但是很难得到中间体。那计算就可以解决这个问题，或者解释一些原因。

这些计算未必能够直接“证明机理”，但至少可以帮助解释实验现象，也可以给下一步实验提供方向。

计算化学对实验化学学生来说，会一点之后，能解决的问题明显更多。

而 AI 对于此的价值，就是降低了学习工具的成本。

过去可能要先看很久教程才能开始计算，现在完全可以先从一个具体问题出发。

我想比较十几个配体的电子性质，那么就先学建模、几何优化、频率计算和结果提取；不知道为什么选这个基组，再去补基组知识；发现不同泛函结果差别很大，再去理解 DFT。

这是提问式学习，学的不精，但是能让流程跑起来，结果是对的还是错的，用实验数据来验证。

对现在的我来说，我更希望先把计算化学学到“能解决自己的问题”。

如果以后发现自己真的喜欢理论和算法，再继续深入。

如果最后还是更喜欢实验，也没有什么损失。

先学到能解决自己的科研问题，再决定究竟要走多远。