开源机器学习势预筛 × 主流引擎精验证
通用机器学习势便宜但不带电荷，恒电势场景一外推就失效；高精度第一性原理精确但单体系动辄月级机时。Qcalc 的答案是把两者放进同一条智能体流水线：MLIP 做高通量粗筛，主流引擎做关键点精验证，兼顾成本与可信度。
- ▸ 机器学习势：MACE / DPA-4 等开源模型高通量预筛
- ▸ 精算引擎：CP2K / ABACUS 等主流第一性原理引擎
- ▸ SLURM 集群调度 · 智能体自动编排与断点续算
- ▸ 行业交付 6–12 个月 → Qcalc 端到端 5–10 天（实际时长以咨询为准）
计算产出示例 · 吸附能标度关系热图（点击放大）
五智能体接力 + RSI 递归自我改进
把一次计算任务拆给五个专精智能体接力完成，再由 RSI 机制把每次任务中的经验规则自动入库、双台账审计——系统随着使用越来越准，这是 Qcalc 产品矩阵共有的进化内核。
01
表面科学家
方案设计
02
MLIP 优化器
预筛加速
03
DFT 工程师
集群验证
04
后处理分析师
数据成图
05
报告撰写官
学术报告
Q-nergy ML Lab · 机器学习实验室（点击放大）
每一次交付，都在训练基础模型
公开数据集几乎没有恒电势标注——这是电化学 AI 最大的一堵墙。Qcalc 把商业交付设计成数据生产过程：客户每完成一单，结构与结果数据自动回流基座，飞轮每转一圈，护城河就深一分。
公开数据集
恒电势标注近乎为零
Qcalc 交付
每单自动沉淀标注数据
交付平台与工作台共用同一数据底座
通往恒电势的智能底座
不带电荷的模型到不了双电层。Qcalc 的 DFT-Free 路线分两步走：先让电子结构计算摆脱对传统 DFT 流程的依赖，再以此为基础构建面向电化学的大模型框架（Q-electron，在研）。
路线一 · 已验证
DFT-Free 电子结构引擎 · 33 体系
路线二 · 在研
Q-electron 电化学大模型框架 · 详情咨询
硅 Si · DFT-Free 电子结构引擎输出与参考对比（点击放大）