Benchmarking foundation potentials against quantum chemistry methods for predicting molecular redox potentials

本研究将机器学习基础模型在预测分子氧化还原电位方面的潜力与量子化学方法进行了基准测试，揭示了它们在质子耦合电子转移方面具有极高的准确性，但在多电子转移方面存在局限性，并提出了一种结合高效的基于电位的几何优化与单点密度泛函理论（DFT）能量精修的混合工作流，以实现可扩展的高通量筛选。

要点

想象一下你是一位正在研发新食谱的厨师，试图发明一种能从空气中捕捉二氧化碳以拯救地球的新菜肴。为了实现这一目标，你需要找到完美的“食材”（一种分子），这种分子能够抓取碳，又能轻松地将其释放。寻找正确食材的关键在于了解它的“氧化还原电位”——简单来说，就是让该分子改变状态以抓取碳所需的能量水平。

在过去，确定这种能量水平就像是用显微秤去称量每一粒面粉和糖，虽然极其精确，但极其耗费时间和计算资源，导致你每年只能测试几种食谱。这就是科学家所说的量子化学（具体称为 DFT 方法）。

新的捷径：“基础势能”（Foundation Potentials）

最近，科学家们开发了一种新型 AI 工具，称为基础势能（Foundation Potentials, FPs）。你可以把这些 FPs 想象成一位超级聪明的、受过专业训练的助手，她读过数百万本食谱（即 DFT 计算结果）。与其亲自动手称量每一粒面粉，不如直接询问这位助手，她会瞬间给你一个非常准确的预估值。研究人员测试了两种特定的助手：MACE-OMol 和 UMA。

研究人员想知道：我们能否信任这些 AI 助手，在不进行缓慢且昂贵的自主计算的情况下，帮我们找到完美的碳捕捉食材？

测试厨房

为了验证这一点，研究人员设置了一个“试吃测试”，使用了三组不同的分子：

1. “简单开关”组（电子转移）： 分子仅仅是获得或失去一个电子，就像拨动灯的开关一样。
2. “团队协作”组（质子耦合电子转移）： 分子同时获得一个电子和一个质子（氢离子），就像一个团队同时传递球和球棒一样。
3. “非极性”组： 不喜欢水的分子，类似于油。

研究发现

1. “团队协作”组：助手表现完美
对于那些需要同时获得电子和质子的分子（PCET），AI 助手表现得非常出色。它们预测的能量水平几乎与那种缓慢、微观尺度的测量方法一样精准。

• 类比： 这就像助手只需看一眼照片，就能准确知道蛋糕里要加多少糖，完全没有误差。

2. “简单开关”组：不错，但有个小问题
对于仅仅交换电子（ET）的分子，助手们的表现大致良好，但当分子需要同时交换两个电子，尤其是当生成的分子是一个反应性离子（带电粒子）时，它们就会出错。

• 问题所在： AI 在其训练数据中没见过足够多这类特殊的“双重交换”带电分子的例子。
• “幻觉”现象： 当 AI 尝试预测这些棘手的双重交换分子的形状时，它产生了混乱。它实际上产生了“幻觉”，预测出的形状看起来像是一个中性分子，而不是它原本应该是带电的分子。这就像助手试图烤一个蛋糕，却因为从未见过含有两个鸡蛋的蛋糕食谱，结果误把蛋糕做成了面包。

3. 速度提升
即使 AI 在能量数值的预测上并非完美，它在确定分子的形状和振动方面速度极快。

• 类比： AI 可以在几秒钟内勾勒出蛋糕的轮廓，而旧的方法则需要花费数小时来测量每一处曲线。

获胜策略：“混合工作流”

研究人员意识到，他们不必在“快速但有时出错”和“缓慢但完美”之间做单选题。他们提出了一种混合工作流（兼顾两者的最佳方案）：

1. 先让 AI 完成繁重的体力活： 利用快速的 AI 助手来迅速确定分子的形状和振动方式。这节省了 99% 的时间。
2. “最终检查”： 一旦形状确定，针对该特定形状运行一次缓慢、昂贵的高精度量子计算，以获得最终完美的能量数值。
3. 加入“水因子”： 由于 AI 是基于干燥分子进行训练的，他们加入了一个特定的数学修正项，以解释分子在水中的行为（溶剂化效应）。

核心结论

这篇论文表明，这些新型 AI 工具足以加速可持续材料的搜索，但它们本身并不完美。它们就像一位才华横溢的学徒，可以瞬间完成 90% 的工作，但在处理最复杂的食谱时，仍需要主厨进行最后的品尝测试。

通过将 AI 的速度与最终的精确检查相结合，科学家现在可以在以前只能筛选几种分子的时间内，筛选出数千种潜在的碳捕捉分子。这使得发现用于绿色未来的材料变得更加快速且更具实际意义。

技术摘要

技术摘要：基座势函数在分子氧化还原电位中相对于量子化学的基准测试

问题陈述
针对氧化还原活性分子的计算高通量虚拟筛选对于可持续技术（特别是电化学碳捕集）至关重要。然而，准确预测分子氧化还原电位依赖于密度泛函理论（DFT）等量子化学方法，而这些方法对于大规模化学空间而言计算成本过高。虽然经过广泛 DFT 数据集训练的机器学习基座势函数（Foundation Potentials, FPs）提供了一种计算高效的替代方案，但其在预测衍生电化学性质（特别是涉及不同电荷、自旋和质子化状态之间微妙能量差的性质）方面的可靠性仍需严格验证。

方法论
作者将两种具有代表性的基座势函数——MACE-OMol-0 (MACE-OMol) 和 UMA-s，与一系列常规 DFT 泛函（B3LYP-D3(BJ)、M06-2X-D3、ωB97X-D3(BJ) 以及 ωB97M-D3(BJ)）进行了基准测试。评估重点在于预测两种反应类型的实验氧化还原电位：

1. 电子转移 (ET)： 直接的电子添加/移除。
2. 质子耦合电子转移 (PCET)： 涉及质子和电子同时转移的反应。

研究使用了三个实验数据集：

• 测试集 A： DMSO 中的路易斯碱分子（1e⁻ 和 2e⁻ ET）。
• 测试集 B： 水介质中带有极性官能团的醌类（pH=0 时的 PCET）。
• 测试集 C： 带有非极性取代基的醌类（1e⁻ ET 和 PCET）。

计算工作流包括构象采样、几何优化和振动频率分析。作者提出并测试了一种混合工作流：利用 FPs 进行高效的几何优化和热力学分析（吉布斯自由能校正），随后使用高水平 DFT（目标能级为 ωB97M-V/def2-TZVPD）进行单点能量精修，并引入隐式溶剂化校正（SMD 模型）以推导最终的氧化还原电位。

关键结果

• PCET 性能： MACE-OMol 和 UMA-s 在 PCET 反应中均表现出卓越的准确性，足以媲美其目标 DFT 方法。对于测试集 B 和 C（PCET），FPs 的平均绝对误差（MAE）约为 0.04–0.10 V，与表现最佳的 DFT 泛函相当。单点 DFT 校正对这些系统仅提供了边际改进，表明 FPs 已经捕捉到了中性或离子功能化分子所需的能量特性。
• ET 性能（1e⁻ vs. 2e⁻）： 性能根据转移电子的数量呈现显著差异。
  • 1e⁻ ET： UMA-s 展示了强大的内在性能（MAE ~0.05 V），而 MACE-OMol 显示出中等误差（MAE ~0.16 V）。然而，通过应用单点 DFT 校正，MACE-OMol 的 MAE 降低至 0.029 V，达到了高水平 DFT 的精度。
  • 2e⁻ ET： 对于涉及反应性离子的多电子转移过程，两种 FPs 均出现了显著失效（例如 BNSN²⁻），其 MAE 超过 1.4 V。通过对 Hessian 矩阵的分析发现，FPs 将 2e⁻ 还原态错误地映射到了类似于中性基态的几何结构上，作者将这一现象归因于由于 OMol25 训练数据中阴离子表征不足而导致的“幻觉”。
• 计算效率： 该混合工作流充分利用了 FPs 计算 Hessian 矩阵的速度优势。对于一个 13 个原子的系统，FPs 在数秒内即可完成 Hessian 计算，而使用解析 Hessian 的 DFT 需要数百秒，使用数值 Hessian 则需要超过 3000 秒。

意义与建议的工作流
本文确立了基座势函数在 PCET 和单电子转移过程中非常有效（经校正后），但目前在涉及反应性离子的多电子转移方面存在分布外（out-of-distribution）限制。

为了解决这一问题，作者提出了一个用于可持续化学筛选的最优混合工作流：

1. 使用 FPs 进行快速几何优化和振动频率分析。
2. 应用关键的单点 DFT 能量精修，以校正电子能量，特别是针对反应性离子。
3. 结合与气相优化结构兼容的隐式溶剂化校正（SMD）。

这种务实的方法平衡了计算效率与准确性，为加速电化学碳捕集和储能材料的发现提供了一种可扩展的策略，前提是必须承认并通过 DFT 精修来缓解其在多电子转移物种方面的局限性。