量子机器学习在催化化学研究中的应用

量子机器学习融合了量子化学与机器学习的优点,具有比传统密度泛函理论更快的计算速度和更高的准确性.量子机器学习可为复杂、多维、多尺度的催化化学提供更智能和有效的研究方式,通过训练可靠的数据及建立合理的模型和算法,快速、准确地预测最优的催化剂设计参数、最佳的催化剂材料的合成方法和反应条件、以及催化剂结构和性能之间的关系.作者就量子机器学习应用于催化材料的设计、催化反应性能和催化反应机理三方面的发展趋势进行了概述.     

人工智能助力当代化学研究

以机器学习为代表的人工智能在当代的科学研究中正在发挥越来越重要的作用.不同于传统的计算机程序,机器学习人工智能可以通过对大量数据的反复分析和自身模型的优化,即“学习”过程,从而在大量的数据中寻找客观事物的相互联系,形成具有更好预测和决策能力的新模型,做出合理的判断.化学研究的特点恰恰是机器学习人工智能的强项.化学研究经常要面对十分复杂的物质体系和实验过程,从而很难通过化学物理原理进行精准的分析和判断.人工智能可以挖掘化学实验中产生的海量实验数据的相关性,帮助化学家做出合理分析预测,大大加速化学研发过程.本文介绍了当代人工智能方法及用其解决化学问题基本原理,并通过具体案例展示了人工智能辅助解决不同化学研发问题的方法以及对应的机器学习算法.将人工智能运用在化学科学的尝试正处于蓬勃上升期,人工智能已经初步展示出对化学研究的强大助力,希望本文能帮助更多的国内的化学工作者了解和运用这一有力的工具.     

机器学习结合密度泛函理论计算在材料科学中的研究进展

近年来,材料科学研究中密度泛函理论(DFT)计算与机器学习相结合的方法呈现爆炸式增长的趋势。本文综述了DFT及其高通量方法产生的大量计算数据与机器学习相结合的原理和意义,从DFT计算的基本原理出发,重点介绍了机器学习方法的流程、常用的算法及其在催化材料预测热门研究方向中的应用,最后剖析了这个新兴领域目前存在的研究问题、挑战以及未来的发展前景。     

机器学习在团簇研究中的可能应用

团簇的结构-能量关系非常复杂,存在大量的局部能量极小点,寻找全局稳定结构是个很艰巨的任务。对于中大尺寸团簇的计算,采用纯量子力学计算方法将面临非常重的计算负担,而如果采用传统力场的方法则会面临精度不足的困难。近年来崛起的机器学习浪潮,开始渗透到包括化学在内的各个学科领域。基于机器学习的方法,有可能提供一条介乎量子力学与传统力场之间的中间新路线。发展基于机器学习的团簇势能模型,用于寻找中大尺寸团簇的稳定结构,有望为团簇的理论与计算研究提供新思路与新手段。     

人工智能化学：变革研究范式,加速物质发现

化学科学领域的复杂性和海量数据为人工智能应用提供了契机。人工智能、机器学习、深度学习从海量数据中识别新的化合物,建立新的模型,提出新的理论,正在改变化学物质的发现、转化和功能研究范式,促进重大问题的解决。本文综述了近年来国际上人工智能在化学研究中的重要进展,分析了人工智能化学的主要发展态势。人工智能通过助力化学海量数据挖掘、实现化学实验室智能化和自动化、增强计算化学解决实际问题的能力,推动化学跨越式发展。     

拉瓦锡氧学说的化学革命机制计算理论解释

介绍了萨伽德关于化学革命机制的计算理论。以拉瓦锡氧学说作为研究对象,用知识表示技术描述了化学革命的重要阶段;用解释一致性标准和ECHO程序计算比较了氧学说和燃素说的优劣;借用机器学习的思想解释了科学家个体概念框架的变化。此理论为我们认识化学史实提供了新的视角和路径。     

高分子材料基因组——高分子研发的新方法

材料基因组旨在将计算工具、数据库和实验工具有机结合,缩短研发时间,提高材料研发效率.高分子材料因其结构独特性和复杂性阻碍了材料基因组在高分子材料领域的发展.目前,国内外学者在高通量筛选高分子化学结构策略和构建性能预测方法等方面开展了尝试,并取得了一些成果.本文总结和评述了当前利用代理量方法和机器学习预测模型实现高分子材料基因组的进展,利用可计算的量代理宏观性能的代理量法和利用机器学习模型预测材料性能的方法在一定程度上克服了高分子复杂性的影响.在此基础上,系统地介绍了数据挖掘或模型构建的方法以及运用这些模型筛选不同类型高分子的思路,着重探讨了方法构建和材料筛选背后的思想以及对各类问题的解决措施.最后,探讨了当前高分子材料基因组发展中所面临的主要挑战,并展望了高分子材料基因组的未来发展方向.     

机器学习加速氧化还原电位和酸度常数计算

氧化还原电位和酸度常数作为重要的物理化学性质被应用于分析能源材料重要指标值。为了实现能源材料的计算设计,发展计算电化学的方法,在复杂电化学环境下计算这些性质至关重要。近年来,利用计算电化学方法计算氧化还原电位和酸度常数已经受到了广泛的关注。然而,常用的计算方法如基于隐式溶剂化模型的小分子自由能计算,对于复杂溶剂化环境的处理非常有限。因此,基于第一性原理分子动力学（AIMD）的自由能计算被引入来描述复杂溶剂化环境中的溶质-溶剂相互作用。同时,基于AIMD的自由能计算方法已经被证实可以准确预测这些物理化学性质。然而,由于AIMD计算效率低且计算资源需求大,需要引入机器学习分子动力学（MLMD）加速计算。MLMD通过机器学习方法,构建模拟体系结构到第一性原理计算结果的一对一映射,可以在低成本下实现长时间尺度的AIMD。对于氧化还原电位和酸度常数计算,如何构建训练机器学习势函数模型所需的数据集至关重要。本文介绍了如何通过自动化工作流实现自由能计算势函数的自动化构建,通过机器学习分子动力学计算自由能并转化为对应的物理化学性质。     

基于机器学习势函数的熔盐体系分子动力学研究进展

熔盐是一类具有重要应用价值的熔融态材料,然而其微观结构与宏观性质之间的关系尚未完全探明,因此开展针对熔盐体系的分子动力学研究具有重要意义.针对高温熔盐体系的分子动力学研究以往主要依赖于传统分子动力学中力场的开发和第一性原理分子动力学的发展.近年来得益于机器学习和神经网络的加速发展,针对熔盐体系的机器学习势函数的开发工作取得了显著进展,其在探索熔盐配位化学和预测物理性质方面表现优异.本文首先梳理了熔盐领域内常用的分子动力学方法,重点介绍了机器学习势函数的发展现状;然后总结了机器学习势函数在熔盐研究方面的应用进展;最后展望了机器学习势函数在该领域的应用前景,并对可能存在的问题给出了建议.     

致癌性胺离子反应过程中电荷和化学位移的计算

应用原子-键电负性均衡方法中的σπ模型(ABEEMσπ)计算了由致癌性胺离子所参与的反应过程中的电荷分布,所计算出的电荷分布可以和从头算很好的相关联,并且所需要的时间也大大的缩短;同时应用从头计算程序计算致癌性胺离子反应过程中的NMR化学位移.结果表明,在反应过程中电荷的变化和NMR化学位移的变化有很好的对应关系.     

基于化学数据库和神经网络的中学化学教学与项目化学习

以碳热还原和化学材料智能搜索为素材,将化学数据库和机器学习方法与讲授式教学模式有机结合.木炭燃烧和还原CuO的案例致力于增强学生对化学反应能量变化和平衡移动的认知.基于神经网络的科研实践对发展问题导向式的研学课堂具有重要启示.     

结合容错编码的量子化学分布式计算

随着大尺度模拟、机器学习等前沿应用的兴起,分布式计算越发成为重要的计算研究手段.然而分布式计算由于多节点导致的软硬件局限,在科学计算、机器学习等领域的应用仍会存在一些问题.本工作将编码分布式计算应用到量子化学领域,通过借鉴梯度编码方案,一方面解决分布式量子化学计算中的掉队节点问题;另一方面增加量子化学分布式计算的自动纠错能力,减少计算过程耗费的人力物力,以期实现自动化的容错量子化学计算.此外,也提出了编码复用的计算思路,能够简单有效地使用更多的计算资源在设定的容错能力上进行分布式计算.最后将此计算方案应用到计算P38蛋白与配体的结合能上,将使用编码计算得到的结果与真实的结果进行对比,验证此方案的准确性及其在自动化容错量子化学计算方面的应用潜力.     

生物催化进展:从计算到代谢工程（英文）

经过数次技术研究和超常创新战略的大发展,生物催化逐渐达到工业化水平,从而受到人们特别的关注.基于酶值,通过生物途径生产高附加值化合物和精细工业化学品成为人们最感兴趣的领域之一.更广泛的众多生物化学路线可由酶催化来实现,其中还有一些酶尚未被人们发现.另一方面,由于非同源底物和某些化学过程所必需的苛刻条件,导致酶催化过程的效率低、稳定性差,因而限制了生物催化的应用.因此,开发具有多催化特征、更高效率和稳定性的绿色催化剂,成为生物催化的重中之重.计算科学、代谢工程、合成生物,以及机器学习路线的运用为新催化剂的工程化提供了新方法.本文重点介绍了合成生物学和代谢工程在催化中的作用,讨论了用于催化的机器学习算法和如何选择一种预测蛋白质-配体相互作用的算法;为了预测键合和催化功能,综述了分子对接的重要性;最后给出了结束语、未来挑战和前景展望.     

机器学习方法在高分子玻璃化研究中的应用

高分子玻璃的物理性质与其结构和动力学密切相关.揭示高分子玻璃化的微观物理图像对高分子玻璃材料的结构调控和分子设计至关重要.然而,高分子的长链结构和复杂单体结构特征致使目前仍然缺乏普适的理论或者模型来定量解释高分子玻璃化的物理机制.因此,亟需发展更为先进的研究方法从而更深入地理解高分子玻璃化.近年来,国内外学者利用基于数据驱动的信息学方法(例如机器学习)对高分子玻璃化开展了研究,并取得了丰富成果.本综述首先介绍了常用的高分子信息学数据库和机器学习算法.之后,从高分子玻璃化转变温度的预测、新型高分子玻璃材料的研发、过冷液体的结构-动力学关系和玻璃体系相变的确定四个方面总结和评述了机器学习应用在玻璃化研究中的代表性进展.最后,探讨了机器学习方法在高分子玻璃化研究中面临的主要挑战,并对玻璃信息学这一领域的发展进行了展望.     

化学短程序和中程序的Voronoi多面体分析

液体和玻璃中的化学短程序是其物理模型的一个基本问题.Voronoi 多面体的计算和统计,提供了一种研究原子间短程化学有序的方法.然而,Voronoi 多面体只能描述原子最近邻的局域堆垛结构,为考察化学有序与距离的关系,特别是短程序、中程序及其间的过渡,我们提出Voronoi 多面体套的概念,并建立了它的计算方法.Voronoi 多面体套(详称胀套Voronoi 多面体)是Voronoi 多面体的直接推广.随着胀套级的递增,它由近到远地描述了原子的各层次的近邻之堆垛结构,细致地刻划出化学有序     

应用从头计算和ABEEM方法研究一种特殊的亚胺加成物

利用从头计算方法计算了鸟苷与联苯酰基胺离子反应生成C8加成物的NMR化学位移, 结果与实验所测到的NMR化学位移符合得很好, 并且根据原子-键电负性均衡方法中的σπ模型(ABEEM σπ)计算所得到的电荷与NMR化学位移也有很好的对应关系; 但采用相同的方法计算腺苷与联苯酰基胺离子反应生成的亚胺加成物时, 得到的NMR化学位移与实验值在个别关键的碳原子处有很大差别. 根据研究得到的结果推测, 实验上得到的构型不仅仅是亚胺加成物, 而可能是一种含有亚胺和氮杂形式加成物的混合物.     

机器学习筛选用于气体吸附分离和存储的金属有机骨架材料

金属有机框架（Metal-organic framework ,MOF）因其高孔隙率、高比表面积和结构可调性,在气体吸附分离领域广泛应用。随着MOF数量激增,传统分子模拟和实验方法验证MOF性能成本高且速度慢,因此目前MOF筛选工作已转向高通量计算辅助的机器学习（Machine-learning,ML）。机器学习作为一种高效的大数据处理方法,能够在高通量筛选（High-Throughput Computational Screening,HTCS）的基础上对数据进行拟合,从而快速而准确地筛选出气体吸附分离材料,并深入挖掘其结构与性能之间的关系。本文回顾了近年机器学习应用于MOF筛选的研究。本文重点讨论了一些运用机器学习从大量结构中筛选出可用于CH4、H2和CO2等气体吸附分离与储存的MOF材料的工作。同时,我们梳理了当前MOF材料筛选工作中的研究思路和进展,并指出了机器学习在筛选MOF材料工作中面临的一些瓶颈和挑战。最后,对该领域的未来发展前景进行了展望。     

化学键合模型概念的发展——从原子和分子轨道到化学轨道

对化学而言,对于连接分子中的原子的力的理论表达,历来一直是一个中心问题.要讨论此问,题,就要预先在概念上对原子与分子有一个清楚的区分,而且要对原子的电子结构有一个适当的表达式.从历史上讲,对物质构成的研究,始于古希腊的德谟克利修斯,经过炼金术时代之后,由拉瓦锡、道尔顿、阿弗加德罗和门捷列夫的缓慢发展,成为了十八至十九世纪的化学.在上世纪初,出现了玻尔的原子理论和量子力学,它不仅标志着现代物理学的开始,而且也标志着量子化学的开始.原子轨道和分子轨道是海特勒-伦敦(HL)和原子轨道-分子轨道线性组合(LCAO-MO)方法中的基本概念,它导致了现代价键理论和哈特里-福克(HF)方法及其扩展方法的出现.电子计算机的发展带来了"计算化学",今天的计算机程序使得真正的结合能预测,甚至在没有使用经验参数的情况下,就成为现实.不过,用非半经验方法来对有合理尺寸和目前化学感兴趣的分子进行精确预测,常常需要惊人的计算量.把HF方法与HL算法合并的、现在称之为哈特里-福克-海特勒-伦敦(HF-HL)的方法,大大减少了在原子轨道或分子轨道从头计算模型中所需要的表达式的长度,这一简化使得对所形成的波函数容易得到解释.双原子分子HX和X2(X为H、He、Li、Be、B、C、N、O、F和Ne)的基态和少数激发态的计算是HF-HL方法的例子.进而,本文表明,HF-HL方法可以从带有一个新型轨道-化学轨道构建的简单波函数来导出,最后,对用化学轨道的初步计算进行了介绍.     

计算化学在手性化合物结构分析中的应用

对有机化学研究中的手性化合物, 尤其是天然产物分子的立体构型的鉴定, 日益受到研究人员的重视. 然而, 在化合物不能结晶或其它条件影响到不能用实验来直接解析其立体构型的情况下, 计算化学是一个比较有效的手段. 目前可供利用的计算方法有旋光计算, 如利用量子力学方法或矩阵模型及¹³C NMR计算等. 本文对这些不同的计算方法进行介绍.     

能源材料的第一性原理模拟

能源问题是目前我国面临重要问题之一,这一问题的解决是我国实现可持续发展战略的重要环节.能源化学的发展对于能源问题的解决具有重要意义.理论计算与实验观测的结合可以促进能源化学更快更好地发展.目前,理论计算已经广泛应用于能源化学中的各个领域,包括碳基能源化学、电能转化与存储以及太阳能能源化学等.本文综述了理论计算在能源化学这些重要领域应用的研究现状及发展趋势,并提出了在进一步发展和应用中所面临的关键科学与技术问题.最后,文章对理论计算在能源化学中应用的未来发展方向进行了展望,建议了几个可能的重点基础研究方向,以期达到理论计算应用于在能源化学这一领域的终极目标——理论设计高效廉价的新型能源材料.