了解岩浆洋的传输性质对于认识地球和行星的宜居性及其内部物质组成均具有重要意义。相较于高温高压实验,分子动力学具有在更极条件开展模拟的优势。然而,分子动力学的高计算成本也限制了其模拟规模大小和时间尺度。随着深度学习的发展,许多工作就分子动力学模拟中面临的计算精度和效率等困境进行了展开。通过学习基于密度泛函理论等量子力学计算方法产生的数据集,神经网络可以学习原子间势能面或者原子力。经过训练的深度学习模型可以让分子动力学同时获得良好的精度和效率。针对计算量大、耗时长的模拟,学者们还开发了分子动力学的深度学习代理模型,或利用机器学习挖掘分子动力学模拟轨迹,直接预测计算结果。上述研究工作均使分子动力学模拟效率得到了极大改善。本文以深度学习加速分子动力学模拟熔体物理性质为例,介绍了热导率的计算结果:随着压强的升高,MgSiO3熔体的热导率增加,但低于同等条件下矿物的热导率;而熔体的黏度则先减后增。这一结果指示核-幔边界的硅酸盐熔体,作为岩浆洋演化的产物,由于散热效率低而可能在较长地质时期得以保存。