从氢键到色散力：用Python模拟分子间三种作用力（附LJ势能代码）

分子间作用力是理解材料性质、药物相互作用甚至生命现象的基础。对于计算化学和材料科学的初学者而言，这些抽象概念往往令人望而生畏。本文将用Python代码将这些理论可视化，让您通过编程实践真正"看到"分子间力的本质。我们将重点实现勒纳-琼斯势能函数，并对比取向力、诱导力和色散力对势能曲线的贡献差异。

1. 分子间作用力基础与Python环境搭建

分子间作用力主要分为三种：取向力（偶极-偶极相互作用）、诱导力（德拜力）和色散力（伦敦力）。这些力的强度通常只有化学键的1/10到1/100，却在物质聚集态、表面吸附等过程中起决定性作用。

环境配置建议：

python复制# 推荐使用Anaconda创建虚拟环境
conda create -n molecular python=3.9
conda activate molecular
pip install numpy matplotlib scipy

三种作用力的特征对比：

注意：实际计算中常将诱导力和色散力合并考虑，统称为范德华力

2. 勒纳-琼斯势能函数的Python实现

勒纳-琼斯(LJ)势能函数是描述中性原子或分子间相互作用的经典模型，其形式为：

$$
V_{LJ}(r) = 4\epsilon \left[ \left(\frac{\sigma}{r}\right)^{12} - \left(\frac{\sigma}{r}\right)^6 \right]
$$

其中ε表示势阱深度，σ表示势能为零时的分子间距。

完整Python实现：

python复制import numpy as np
import matplotlib.pyplot as plt

def lj_potential(r, epsilon, sigma):
    """计算LJ势能值"""
    return 4 * epsilon * ((sigma/r)**12 - (sigma/r)**6)

# 参数设置(以氩原子为例)
epsilon = 0.0103  # eV
sigma = 3.4       # Å

# 生成距离序列
r = np.linspace(2.5, 10, 500)
V = lj_potential(r, epsilon, sigma)

# 可视化
plt.figure(figsize=(10,6))
plt.plot(r, V, 'b-', linewidth=2)
plt.axhline(0, color='k', linestyle='--')
plt.xlabel('分子间距 (Å)', fontsize=12)
plt.ylabel('势能 (eV)', fontsize=12)
plt.title('勒纳-琼斯势能曲线', fontsize=14)
plt.grid(True)
plt.show()

运行这段代码将得到典型的LJ势能曲线，其中包含短程排斥项(1/r¹²)和长程吸引项(1/r⁶)。曲线最低点对应平衡距离r₀=2^(1/6)σ≈3.82Å。

3. 三种作用力的独立模拟与对比

3.1 取向力模拟

取向力源于永久偶极矩的相互作用。我们可以模拟两个偶极子的相互作用能：

python复制def dipole_potential(r, theta1, theta2, phi, mu1, mu2):
    """计算偶极-偶极相互作用能"""
    return (mu1 * mu2)/(4*np.pi*8.854e-12*r**3) * \
           (2*np.cos(theta1)*np.cos(theta2) - np.sin(theta1)*np.sin(theta2)*np.cos(phi))

3.2 诱导力模拟

诱导力包含永久偶极诱导偶极的相互作用：

python复制def induced_potential(r, alpha, mu):
    """计算诱导偶极势能"""
    return - (alpha * mu**2) / (2 * (4*np.pi*8.854e-12)**2 * r**6)

3.3 色散力模拟

色散力源自瞬时偶极矩涨落：

python复制def dispersion_potential(r, I1, I2, alpha1, alpha2):
    """计算伦敦色散力势能"""
    return - 3/2 * (alpha1*alpha2)/(r**6) * (I1*I2)/(I1+I2)

三力对比可视化：

python复制# 参数设置
r_range = np.linspace(3, 15, 100)
V_orient = [dipole_potential(ri, np.pi/4, np.pi/4, 0, 1.85e-29, 1.85e-29) for ri in r_range]
V_induce = [induced_potential(ri, 1.64e-30, 1.85e-29) for ri in r_range] 
V_disp = [dispersion_potential(ri, 15.8, 15.8, 1.64e-30, 1.64e-30) for ri in r_range]

plt.figure(figsize=(12,7))
plt.plot(r_range, V_orient, label='取向力')
plt.plot(r_range, V_induce, label='诱导力')
plt.plot(r_range, V_disp, label='色散力')
plt.legend(fontsize=12)
plt.xlabel('分子间距 (Å)', fontsize=12)
plt.ylabel('势能 (J)', fontsize=12)
plt.title('三种分子间作用力势能对比', fontsize=14)
plt.grid(True)
plt.show()

4. 高级应用：分子动力学模拟基础

理解了基本作用力后，我们可以构建简单的分子动力学模拟。以下是一个二维LJ系统的简化实现：

python复制from scipy.spatial import distance_matrix

class LJSystem:
    def __init__(self, N=10, L=20):
        self.positions = L * np.random.rand(N, 2)
        self.velocities = 0.1 * np.random.randn(N, 2)
        self.L = L
        
    def compute_forces(self, epsilon=1.0, sigma=1.0):
        N = len(self.positions)
        forces = np.zeros((N, 2))
        dists = distance_matrix(self.positions, self.positions)
        np.fill_diagonal(dists, np.inf)  # 排除自相互作用
        
        for i in range(N):
            for j in range(i+1, N):
                r = dists[i,j]
                direction = (self.positions[j] - self.positions[i])/r
                f_mag = 24*epsilon/r * (2*(sigma/r)**12 - (sigma/r)**6)
                forces[i] += f_mag * direction
                forces[j] -= f_mag * direction
                
        return forces
    
    def step(self, dt=0.01):
        forces = self.compute_forces()
        self.velocities += forces * dt
        self.positions += self.velocities * dt
        self.positions %= self.L  # 周期性边界条件

这个简单模拟展示了如何将LJ势能应用于实际系统。在实际项目中，我们会使用更高效的算法如邻居列表(neighbor list)来优化计算。