為什麼計算化學領域研究者大多傾向於跟實驗組合作，對偏理論或者偏方法方面的工作不太受重視？

01-04

題主在一所高校讀研究生，計算化學方向。入學時嚮導師要求做些偏方法的工作。隨著時間過去，慢慢發現周圍同領域的老師和同學，似乎對偏方法類的工作不是很重視，甚至千方百計的避開。而對於能夠與實驗研究者合作方面的工作又非常重視。雖然說讀研了要獨立思考，不能人云亦云，但是看到的例子多了，內心有點忐忑啊

謝邀。

計算化學大致分兩大派別，application和implementation的，第一個也就是俗稱的算反應，算性質這種；第二個也就做方法的。

其實國內或者乃至於整個計算化學界裡面，真正做方法的還是比較少的。

究其原因還是，大多數的計算化學的學生或者老師的數學，物理和計算機水平都比較弱。

正如樓上引用的文章里寫的，你廢了大半天力氣寫了一個code，做了一個方法，充其量發一個JCP或者JCTC的文章，而這些也就是IF在3-5的樣子。但是這裡面很多都是硬文章，不是一朝一夕能做出來的東西。

反觀做應用的文章，尤其還跟實驗合作的文章。做應用的『很容易』就能發到JPCC，PCCP這樣的IF在5左右的文章，或者ACS CATALYSIS這種10左右的文章。如果跟實驗合作，對方的數據很好，照片很fancy，計算上的工作其實很簡單，沒太多功夫就發到了JACS, angewandte甚至於Nature子刊上面。

從功利的角度上說，更多人願意去做簡單有效的東西。

但是，就簡單的用無腦泛函去算的反應，大多數還是很難得到很高的引用的。

而實際上，即使是國內和國際上比較有名的專門做應用的小組，他們也會去做一些方法上的東西。

因為用軟體，算反應這種東西，一個熟練工的本科生，碩士生，博士生很容易能夠上手；反觀做方法的，確實是需要一些真正做的跟其他人不一樣的東西才能發表。

而真正做計算方法的好文章，在三年內引用超過100次是非常常見的；而做應用的即使是發到nature的文章引用次數不高也屢見不鮮。

當然我是做application的，我也深深意識到做計算化學如果不去做方法的話，自己將來的飯碗很容易被搶，因為入門的成本實在是比較低。

不是計算方法不受到重視，而是他們大多數人沒能力去重視實驗方法。

btw，john pople一輩子沒發過Science，Nature，JACS, angewandte，照樣拿了諾獎。

深夜寫的，思路混亂，就這樣。

CP2K專欄

CP2K Tutorial

作為一個做方法的人，我給題主一個建議，如果你們組之前完全沒有做方法的經驗，你最好還是不要一個人去嘗試的好。

所謂「做方法」，雖然聽起來高大上，但實際上算是說難不難說簡單也不簡單的工作，因為大部分人做的事情都是「站在巨人的肩膀上"，其實做的事情無非就是對現有的方法進行修修補補，使之效率更高或者更加易用罷了。比如metadynamics方法，原創者只有兩人：Laio和Parrinello。但是之後無數人在metadynamics的基礎之上對其進行改進，或修改某些方面，或與其他方法結合，總之將其發展成一個「家族」：什麼Well-tempered metadynamics、Parallel-tempering matadynamics、Bias-exchange metadynamics等等一堆「新」方法，或者另闢蹊徑把原本用於算熱力學metadynamics改變一下用法，可以使之計算動力學，也算是開發了「新」的方法。這些人雖然本質上來說也只是在metadynamics這個基礎上進行改進而已，然而實際上大部分做方法的人其實做的都是這樣的工作。所以說這個時候，你就必須對現有的方法非常熟悉才可以，也就是說要麼你自己就是開發者要麼至少你跟開發者就在一個組，只有對一個方法從原理到實現都完全掌握了的情況下那才可能真正去改進這種方法。

在計算化學領域做出真真正正完全原創方法的人實在是鳳毛麟角，估計他們占方法研究人員的比例跟方法研究人員占所有計算化學研究人員的比例差不多。而且非常不幸的是有的時候即使你做出了新的原創方法，到真正用起來的時候往往發現還不如老方法好使。就說MD中的Enhanced Sampling方法其實非常非常多，然而對於大多數做計算化學的科研人員來說，目前能真正做到「通用」的基本上也就只有三個：umbrella Sampling，replica-exchange，metadynamics，其他的方法基本上都只是在小範圍內使用。這並不是說這三種方法效率有多高，它們之所以能流行起來只有一個原因：易用。要知道一種方法無論如何是要讓人「用」的，如果一種方法過於複雜導致基本上只有開發者自己會使，那這種方法根本就不可能流行起來。Umbrella sampling和replica-exchange之所以流行是因為原理比較簡單，導致很多MD軟體都會內置這些功能。Metadynamics能流行起來則是推廣做的好，因為有了PLUMED這個插件，可以很容易的跟現有的MD程序相結合。像我們課題組有自己的ITS（integrated tempering sampling）方法，效率遠高於replica-exchange，然而由於原始代碼的用戶友好度十分糟糕，導致該方法除了我們組之外幾乎沒人會用，所以推廣困難……當然我現在的正在做的一個工作就是將ITS方法加入到PLUMED裡面去是指更加易用，所以說做推廣也是方法開發者需要做的一件事之一。

我覺得這是由計算化學的學科特點和當代整體科研環境決定的。

我又把學科特點分為兩部分，一是現階段計算化學很難獨立驗證結果，二是計算化學的理論方法發展比較難。

一，計算化學和實驗化學不一樣之處在於，實驗只要是發現新的，並且可重複的現象，那就是一個好的創新，即使實驗解釋成一坨屎，現象還是正確的，是客觀存在的。但是計算化學就很不一樣，即使是現在最先進的計算方法，也做了相當多的近似，得出的結論是否一定可靠，相信嚴肅的計算化學家都要反覆check。因此，與實驗合作，有實驗結果對理論和計算結果進行驗證，就是一個很好的check的途徑，對方法的修正發展也極有幫助。因此重視與實驗合作不僅無可厚非，而且對計算化學的發展大有裨益。

二，做計算化學方法的門檻確實高一些，需要有比較強的數學，物理知識儲備，以及編程能力。這對於一般的化學系的學生來說，還是比較缺乏的。也就是說，入門比較難。好不容易入門了，更難的是往前發展方法。要知道計算化學從量子力學，量子化學產生之初到現在，一百年左右時間，現在大家常用的方法，大多是五六十年代以前就已經有了框架的。要知道現在popular的DFT計算方法，其基石是64年的HK定理。所以要想方法創新，尤其是大的創新更難。

另一方面，我覺得計算化學領域的現狀是由當代整體科研環境決定的。我的導師說他當年博士畢業的時候，有一篇PRB就已經很了不起了（他是八十年代末畢業的）。現在手上沒有NC，JACS檔次的文章很難找到好位置。曾經，科研真的是慢工出細活，做的人少，競爭不算激烈，科研人員都是憑自己的興趣在做事情。而單就國內來說，現在整個科研界虛假繁榮（我個人觀點），競爭壓力大，大家更傾向於做一些短平快的項目。快不一定能出好東西，但是能先出東西，在現有評價體系下，就能拿到更多的資源。

做方法也好，做應用也好，關鍵是要有正確的科學素養。最怕的其實是一種情況，算了半天，自己都不知道自己算的是什麼，基於哪些近似，有哪些局限，比如一個快畢業的學生，連軌道和態的概念都搞不清楚，貌似是解決了一些問題，其實只是湊出了一些好看的數罷了。

看題主的問題，應該也是在糾結這兩個方向以後對個人發展前景的影響。

我的建議是：

1. 打好最基本的計算（量子）化學的基礎，HF，以及DFT，不僅要動腦還要動手，寫寫最簡單的程序。這個無論對做應用還是理論方法都非常重要。

2. 在第1的過程中，體會自己到底喜歡哪個方向。

3. 跟著2的感覺走。科研其實就和創業一樣，在自己感興趣的，想做的方向上，盡自己最大的努力，你只需要對自己負責。

4. 在你前進的過程中你會發現應用和方法並不矛盾。做出好的方法，自然就會有機會去拿來做應用。或者應用做著做著，就會想是不是可以發展現在方法，對問題描述的更好。我了解到的一些大牛，其實都是理論基礎很紮實，做的科學問題也非常的有意思。

這是個很有意思的問題啊。而且這個問題很通用啊，並不是只在計算化學方面。

這個現象似乎可以從普遍的意義上解釋。

三段論：

大前提：『周期較長偏基礎理論的科學』（簡稱A）比『周期較短能轉化為實際效益』（簡稱B）的科學更受到到重視。

小前提：『做方法的計算化學』是A，『跟實驗室合作發文章』為B。

結論：所以『做方法的計算化學』比『跟實驗室合作發文章』更不受重視。

只有前兩點都成立，最後一點才成立。雖然認真講大前提可能不一定完全正確，但是大致來說是沒什麼問題。小前提則基於觀察問題也不大。

之所以說大前提不完全正確，是因為雖然口頭上說不被重視，但是毋庸置疑大家都知道基礎科學其實是很重要的，沒有基礎科學的根基也就沒有上面的應用。而之所以說『不被重視』基本正確是因為雖然有高門檻和高（時間和智力）投入但是這個『重視』沒有完全體現在工資和文章上。

所以一個自己可以思考的方向是，那一開始你為什麼要選基礎科學呢？你選基礎科學的理由能遷移到做計算方法上么？

謝邀。

其一和實驗組結合比較好拿funding.現在往能源/環保/碳還原/儲氫/BioChem上靠攏就能拿到funding，很明顯來錢快。其二樓上說得好，方法論和純理論需要紮實的數理統計和計算機基礎，而模擬一個反應可能就是在LAMMPS上寫兩三行script完事。其三理論/方法有一個很大的創造力瓶頸，衝過去便罷，幾次沖不過去很容易失去動力，然後轉行做easy work。

嗯我現在就在這個瓶頸面前，還不知道過不過得去（手動微笑）。

首先，如果在這個圈子裡同行，一定能理解我說的話，其實做計算的一直不受待見，甚至，有些實驗研究者壓根就不屑於相信計算的結果。故，要想生存，只有舔著臉皮跟實驗組合作，還能獲得一些實驗中真正所面臨的科學問題，當然最後文章掛名，其實也是吃虧的。

謝邀。

方法學研究困難，而且往往需要一個組整體的積澱（或者有人帶）。

合作計算機理對積澱要求低，而且文章IF也不低……（功利的說）

尋找平衡是一個很trick的事。

可參見余曠先生的回答。

為什麼說「量化窮三代，計算毀一生」？ - 余曠的回答

試想一下，能整出密度泛函理論這一方法的人有多少。你說的偏理論的研究無非就是改進這一方法，讓其模擬的更真實。可問題就是密度泛函也不過是一個方法，不是真理。做計算模擬只能去佐證實驗結果，而很難去預言。

.....方法這種東西就如同有機合成，合成一個產物相對簡單，想要探究出產物合成的機理就不是了.....計算化學這種東西靠和實驗組合作容易有更多水文章的機會，畢竟不是沒有那麼多東西可以通過第一性原理或者科學計算得到....而實驗組就相對容易出成果，何樂而不為。

而且用Python MATLAB Fortran Gaussian這類的學習成本很低，入門不算難，更推進題主所提的情況，大勢所趨，期待D.E.Shaw