博士生奖学金：通过统计力学、分子模拟和机器学习理解分子晶体多晶型

项目概览

该博士生奖学金设在 University College London 的 Department of Chemical Engineering，计划于 2026 年启动，最长资助 4 年。

项目由 Prof. Matteo Salvalaglio 指导，核心议题是利用统计力学、分子模拟和机器学习研究分子晶体的多晶型与结晶过程。

研究将结合计算建模、数据分析与跨学科协作，面向化学工程、化学、材料科学与人工智能交叉方向。

项目介绍同时明确了资助与申请边界：该奖学金按 UK/Home 学费标准资助，海外申请者可以申请，但通常需要自行覆盖英镑学费差额；也欢迎有额外资助机会时的优秀国际申请者表达兴趣。

项目详情

项目聚焦的是晶体多晶型这一长期难题。对于同一种分子，不同晶型可能在溶解度、稳定性、可制造性和生物利用度上表现出显著差异，因此多晶型预测与控制不仅是化学工程中的基础科学问题，也直接关系到药物开发与材料设计。随着计算化学的发展，研究人员开始设想一种“数字化设计”框架，即从分子结构出发，通过分子模拟直接预测晶体结构、热力学稳定性、结晶路径，并进一步推断工艺结果。本博士项目正是在这一方向上推进下一代计算方法。

具体而言，博士研究将把统计力学、分子模拟和机器学习结合起来，回答晶体形式选择背后的热力学与动力学根源问题。其中一个研究方向是开发更先进的自由能方法，用于分子晶体的稳定性预测；项目计划利用机器学习势函数和生成式模型，提高有限温度下多晶型稳定性计算的准确性与效率。另一个研究方向是利用机器学习识别并加速那些决定晶体成核和多晶型转变的慢集体过程，尤其会探索基于图结构和神经网络的方法来发现能够描述晶体有序形成和稀有事件动力学的集体变量。换言之，项目不只是比较不同晶型的能量，更关注晶体如何在复杂分子体系中形成、转化以及被计算方法有效刻画。

项目介绍还强调，成功申请者将获得分子动力学、增强采样、自由能计算、统计热力学、机器学习和科学计算方面的系统训练。研究任务预计将涉及计算建模、数据处理和算法/方法开发，并与在化学工程、化学、物理和人工智能交叉领域工作的研究者协作。项目面向的应用场景包括药物固体和先进分子材料，因此申请者不仅需要具备较强的定量分析能力，也要能够把基础理论、数值方法与实际材料问题联系起来。

申请要点

• 学历背景：申请者应已取得或预计取得 Chemical Engineering、Chemistry、Physics、Materials Science、Mathematics、Computer Science 或相关学科的一等或二等一学位（或同等学历）。

• 能力要求：需要较强的定量与分析能力，对分子建模和计算科学有兴趣，并愿意跨学科合作。

• 优先经验：有分子模拟、统计力学、热力学、机器学习、科学编程（如 Python）、数据分析或应用数学经验者更有优势。

• 工作方式：项目强调独立开展研究，同时能在协作型研究环境中有效配合他人，并具备良好的沟通、问题解决和组织能力。

• 申请材料：需通过指定在线系统提交申请；同时请将 Prof. Matteo Salvalaglio 作为导师提名，并附上兴趣陈述。

• 联系方式：如需非正式咨询，可联系 Prof. Matteo Salvalaglio（m.salvalaglio@ucl.ac.uk）。

• 资助与学费：资助仅覆盖 UK 等同学费；海外学生可以申请，但需自行承担 UK 与海外学费之间的差额。

• 国际申请者：优秀国际申请者可表达申请意向，如后续出现额外资助机会，可能会被纳入考虑。

• 时间信息：项目预计 2026 年开始，最长期限 4 年；申请截止日期为 2026 年 7 月 31 日。

• 课程信息：项目说明还提到，可进一步查看 MPhil/PhD 课程及招生流程的相关信息。

需要进一步确认

• 项目介绍未明确说明是否提供额外的研究经费、差旅预算或实验/计算资源额度。

• 申请页面未单独列出英语成绩硬性门槛，但明确要求具备良好的口头和书面英语能力。

PhD 项目深度调研报告：通过统计力学、分子模拟与机器学习理解分子晶体多晶型

执行结论

建议标签：值得优先考虑，但需核实匹配度。 从公开信息看，这是一个质量较强的计算化学工程博士机会。UCL 的学校与学科背景较强，Chemical Engineering 系在分子尺度到复杂系统尺度的研究上保持活跃，Matteo Salvalaglio 教授的公开研究记录也与分子模拟、统计力学、成核以及稀有事件方法高度相关。项目题目本身也处在当前热点上，因为分子晶体多晶型研究正越来越依赖更可靠的有限温度自由能方法、machine-learning potentials 以及学习型 collective variables。

真正需要谨慎的主要不是学术方向，而是落地条件。项目介绍写明，资助仅覆盖 UK/Home 学费标准，而 UCL 官方页面列出的 2026/27 学年 Chemical Engineering MPhil/PhD 海外学费明显更高。国际申请者在把它视为“全额资助”之前，需要先取得书面确认，明确学费差额由谁承担。第二个风险来自项目范围本身：free-energy methods、ML potentials、生成式模型以及图/神经网络 collective variables 组合起来可以构成很强的博士课题，但前提是研究范围能收束到可操作的 benchmark 体系和清晰的验证路径。

学校、项目与地点信号

UCL 的项目环境信号较强。官方 UCL prospectus 显示，该学位位于 London, Bloomsbury，研究环境覆盖从 molecular 到 complex systems 的多个尺度，研究组包括 Catalysis and Reaction Engineering、Electrochemical Engineering、Molecular and Engineering Thermodynamics、Multiphase Systems，以及 Product and Process Systems Engineering。该页面同时写明，UCL 在 QS World University Rankings 2026 中排名第 9，UCL Chemical Engineering 在 QS by Subject 2025 中位列全球第 20。独立的 QS Chemical Engineering ranking 页面也表明，该学科仍处于全球排名体系中，且 2026 版于 2026 年 3 月发布。

系里的研究布局也与本项目直接相关。UCL Chemical Engineering 的 department research overview 说明，其研究覆盖从 molecular 到 complex systems 的广泛尺度，涉及 materials、manufacturing、health、energy 和 environment 等问题。官方 research-theme 页面还列出 Molecular and Engineering Thermodynamics 和 Product and Process Systems Engineering 两个方向：前者强调用理论、模拟和实验理解热力学过程，后者强调将 machine learning 和 AI 与 physical models 结合，用于先进材料发现和复杂化学过程。

这类环境与分子晶体多晶型的研究需求匹配度较高，因为项目同时需要 statistical mechanics、molecular simulation、data-driven modelling 以及 chemical engineering 视角。需要注意的是，这些仍主要属于系级证据，只能说明环境支撑较强，不能单独证明具体项目在导师投入、资助灵活性或计算资源方面一定充分。

导师与研究环境评估

导师研究方向

UCL 的 academic staff 页面将 Matteo Salvalaglio 列为 Department of Chemical Engineering 的 Professor of Molecular Systems Engineering 以及 Deputy Head (Enterprise)。本次检索也找到了他的 UCL profile endpoint，但浏览器可直接读取的信息较少，因此更稳妥的角色证据仍是 staff list 和 research-theme 页面。

公开的 research-theme 证据与项目方向高度一致。UCL 在 Molecular and Engineering Thermodynamics 中将 Salvalaglio 列在 molecular modelling/simulation 与 separation processes 相关方向，在 Product and Process Systems Engineering 中则把他放在 ML/AI integrated with physical models 和 multiscale modelling 相关方向下。这与项目所写的 free-energy methods、molecular simulation、machine-learning potentials、generative models 以及 learned collective variables 基本一一对应。

近期重要论文

近期公开论文能较好支撑这种方法匹配：

• Finney 和 Salvalaglio 2023 年关于 aqueous electrolyte solutions at carbon electrodes 的工作，使用 Constant Chemical Potential molecular dynamics 分析离子聚集、双电层结构和界面热力学（arXiv）。这不是分子晶体论文，但能说明团队在非理想分子模拟和统计热力学上的持续积累。
• Finney 和 Salvalaglio 关于 NaCl nucleation 的研究，结合 biased 与 unbiased molecular dynamics 以及 Markov state modelling，展示了多条成核路径和无序中间态（arXiv）。这与稀有事件动力学、collective variables 和结晶机制高度相关。
• 他们关于 solid/liquid interface 的论文，用 Constant Chemical Potential MD 连接了原子尺度与介观质量传递描述（arXiv）。这说明导师团队有能力把分子模拟结果延伸到更具过程意义的解释上。
• 更早的一篇 CO2 polymorphism 论文使用 molecular dynamics、well-tempered metadynamics 和 committor analysis 研究多晶型转变（arXiv）。虽然超出最近 3-5 年窗口，但与多晶型转变这一核心主题直接相关。

实验条件、资源与合作环境

官方 UCL prospectus 写明，Chemical Engineering 的研究生可以使用条件良好的实验室，以及用于计算研究的 world-class computing facilities。系里的 facilities 页面也列出了 SAXS、BET、XRD、TEM、FTIR microscopy 和 LC-MS 等分析设备。

不过，对这个项目真正关键的仍不是一般性系级设备，而是项目层面的计算资源：GPU/HPC 配额、存储、软件授权、已有代码基础，以及是否有实验合作方可用于验证预测出的多晶型或结晶路径。公开信息尚未给出这些细节，申请阶段需要主动核实。

研究方向与领域前景

领域动向

这个方向处于明显的活跃期。传统 molecular dynamics 在稀有事件和长时间尺度问题上存在先天限制；关于 ML-enhanced sampling 的综述显示，降维、学习型 collective variables、reinforcement learning 以及 flow-based 方法都在被积极用于加速构型探索（ML enhanced sampling review）。mlcolvar 则是把 learned collective variables 接入 enhanced sampling 工作流和 PLUMED 的具体范例。OpenMM 8 也表明，主流 MD 软件正在通过 PyTorch 等接口整合 machine-learning potentials。

这些发展与多晶型问题直接相关。分子晶体不同晶型之间往往只有很小的自由能差异，真正困难的问题不只是“哪种结构的晶格能最低”，而是“哪种形式在有限温度下更稳定”“哪条转变或成核路径在动力学上可达”，以及“哪些 collective variables 才真正能描述这些过程”。

可能的研究切入点

较可信的研究切入点包括：基于 ML potentials 的有限温度多晶型自由能计算；用于成核或多晶型转变的学习型 collective variables；经典力场、ML potentials 与更高层级电子结构数据之间的 benchmark 比较；用于描述晶体有序性形成的图结构特征；以及面向候选结构或路径探索的生成式模型。

但一个扎实的博士计划应当比这个列表更聚焦。较稳妥的一年级路径，是先明确一到两个分子体系，复现基线晶体结构或自由能结果，再引入一种 ML 增强方法，并证明它带来了可衡量的改进。

职业与市场前景

该项目训练出的能力具有较强可迁移性。官方 UCL prospectus 写明，Chemical Engineering 毕业生会进入 sustainable engineering、major chemical、petrochemical、pharmaceutical、food、energy、environmental technology、biotechnology、management、finance 以及 academia 等领域。计算层面的训练进一步扩展了适用范围：molecular simulation、ML potentials、graph models、PyTorch、Python、HPC 和 data analysis，都与 computational chemistry、pharmaceutical solid-form development、materials informatics、process modelling 以及 scientific software 相关。来自 Chemical Industries Association 和 Association of the British Pharmaceutical Industry 的行业背景也有参考意义，因为该题目同时触及化工/材料制造和药物固体形态问题。

资助、申请与生活成本

资助条款需要重点核实。项目介绍写明，该 studentship 预计于 2026 年开始，最长 4 年，并按 UK/Home fee rate 提供资助。介绍同时说明，海外学生如能自行承担英国本土与海外学费之间的差额，也可以申请；若后续有额外资助，优秀国际申请者也可能被考虑。

这意味着学费差额是一个实质性问题。官方 UCL prospectus 列出的 2026/27 学年全日制学费为：UK 学生 £6,400，海外学生 £34,700。对海外申请者而言，必须拿到明确书面说明，确认差额是被豁免、由额外奖项覆盖，还是需要自费承担。伦敦生活成本也不能忽视：GOV.UK Student visa money 当前写明，伦敦地区课程的学生签证资金要求为每月 £1,529，最多按 9 个月计算，且通常还要额外证明学费资金，除非适用豁免。

因此，申请前最关键的资助问题包括：stipend 金额、是否含 London weighting、是否按年调整、海外学费如何处理、fee status assessment 的时间点、research-cost allowance、conference budget，以及 compute budget。

申请者匹配度与准备

最适合的背景

这个项目最适合具有定量与计算背景的申请者，例如 chemical engineering、chemistry、physics、materials science、applied mathematics、computer science 或相近方向，并且能够提供科学编程和数学建模方面的证据。若已有 molecular dynamics、statistical mechanics、thermodynamics、enhanced sampling、free-energy calculations、machine learning 或 graph/neural models 经验，会更有优势。

需要谨慎的情况

如果申请者希望读的是以湿实验为主的 PhD，或者对编程、调试和数值方法的容忍度较低，或者尚未建立统计力学与分子模拟所需的数学基础，就需要谨慎。对国际申请者而言，如果无法承担或无法书面确认 overseas-fee gap，同样需要谨慎评估。

建议补强的技能与证据

较有帮助的证据包括：计算型 dissertation、公开代码或可复现 notebook、Python/PyTorch 或 JAX 经验、分子模拟或机器学习项目经历，以及一段简洁但具体的说明，表明自己理解 polymorphism 同时具有热力学与动力学两层难点。较强的 statement of interest 应把 finite-temperature stability、rare-event dynamics、collective variables 和 validation 串联起来，而不是把项目泛化为普通的 AI-for-chemistry 题目。

风险与待核实问题

高优先级问题

1. 年 stipend 具体是多少？是否包含 London weighting 或年度涨幅？
2. 海外学费是全额覆盖、部分覆盖、豁免，还是由学生自行承担？
3. 第一年的目标分子晶体或 benchmark systems 具体是什么？
4. 学生将继承哪些现成代码、数据集、ML-potential workflows 或合作方数据？
5. 可以明确保障的 HPC/GPU 访问、付费软件、存储和会议预算有哪些？
6. 方法开发、应用型论文以及与实验研究者合作之间，预期工作比重如何？

中优先级问题

1. 谁会担任 secondary supervisor 或长期紧密合作导师？
2. 课题组目前有多少 PhD 学生和 postdocs？
3. 常规 meeting 节奏和发表预期是什么？
4. 面试时对 ML 基础的要求大致到什么程度？
5. 是否有与该课题相关的 pharmaceutical 或 materials 合作伙伴？

证据与来源

核心机构与项目环境

• UCL Chemical Engineering MPhil/PhD prospectus
• UCL Chemical Engineering departmental MPhil/PhD page
• UCL Chemical Engineering department homepage
• QS Chemical Engineering subject ranking
• UCL Chemical Engineering research overview
• UCL Chemical Engineering research themes
• UCL Molecular and Engineering Thermodynamics
• UCL Product and Process Systems Engineering
• UCL Chemical Engineering facilities

导师与论文

• UCL Chemical Engineering academic staff
• UCL profile endpoint: Matteo Salvalaglio
• Finney and Salvalaglio, electrolyte solutions at carbon electrodes
• Finney and Salvalaglio, NaCl homogeneous crystal nucleation
• Finney and Salvalaglio, solid/liquid interfaces out of equilibrium
• Gimondi and Salvalaglio, CO2 packing polymorphism

方法、资助与外部背景

• Enhanced Sampling with Machine Learning: A Review
• mlcolvar machine-learning collective variables
• OpenMM 8 and machine-learning potentials
• Combining Machine Learning and Computational Chemistry
• GOV.UK Student visa money requirement
• Chemical Industries Association
• Association of the British Pharmaceutical Industry