M\=oLe-{\Lambda}: Learning the Coupled-Cluster Response State for Energies, Gradients, and Properties

本文介绍了 M\=oLe-$\Lambda$，这是一种等变机器学习模型，它从局域化 Hartree-Fock 轨道联合预测右耦合和左耦合的耦合簇振幅，从而高效地生成精确的能量、力以及广泛的响应性质，同时保持传统 CCSD 理论的尺寸广延性和局域性。

要点

想象一下，你正在试图理解一台复杂机器（比如汽车发动机）的行为。要完美预测它的运行方式，你需要了解两件事：

1. 部件如何向前运动（发动机点火、活塞上行）。
2. 系统如何对变化做出反应（发动机如何应对路面颠簸，或者当你踩下油门时燃油混合比如何变化）。

在化学世界中，分子就是这些复杂机器。科学家使用一种名为**耦合簇（Coupled-Cluster, CC）**理论的“黄金标准”方法来预测分子的行为。它极其精确，但也像试图手工解开一个巨大的多维拼图：它需要消耗如此多的计算能力，以至于通常除了最小的分子外，几乎无法用于其他任何情况。

长期以来，研究人员尝试利用人工智能（AI）来加速这一过程。他们构建了能够预测电子“向前运动”（即能量和力）的模型。但这里有个问题：这些模型遗漏了“反应”部分。它们无法告诉你分子如何响应电场、如何拉伸，或者在压力下形状如何改变。

M¯oLe-Λ 登场了。

将 M¯oLe-Λ 想象成一位全新的、超级聪明的 AI 导师，它学习的是分子的完整故事，而不仅仅是第一章。以下是它的工作原理，使用简单的类比：

1. “左”手与“右”手

在这门化学背后的数学中，要完美描述一个分子，需要两组数字：

• 右手（T-振幅）： 这描述了电子的标准、向前运动的状态。之前的 AI 模型能够相当准确地猜测这一点。
• 左手（Λ-振幅）： 这是“响应”之手。它告诉你，当你戳、拉或照射分子时，电子如何调整。

本文介绍了M¯oLe-Λ，这是对先前模型的升级。它就像教 AI 同时使用双手。它不再仅仅猜测分子静止时的状态，而是学习分子如何响应周围的世界。

2. 从“局部”邻域中学习

分子由原子组成。过去，AI 模型试图将整个分子视为一团巨大的、模糊的云，这很难学习。
M¯oLe-Λ 使用了一种称为**定域化（localization）*的技巧。想象一下，你试图理解一座巨大的城市。与其一次性查看整张地图，不如将其分解为各个街区。你先学习一个*街区里人们如何互动，然后再学习这些街区之间如何交流。
该模型观察“定域化”的电子轨道（电子的小邻域），并学习它们的行为。因为它学习了这些局部规则，所以它可以将其应用于它从未见过的更大、更复杂的分子，就像如果你知道街区通常如何运作，你就能理解一座新城市一样。

3. 神奇的结果：一个模型，多种答案

本文最大的突破在于效率。以前，如果科学家想知道分子的能量，他们运行一次计算。如果想知道其偶极矩（它如何响应电）或极化率（它在电场中如何被压缩），他们就必须运行不同且昂贵的计算。

有了 M¯oLe-Λ，AI 学习了主钥匙（完整的 T 和 Λ 数字集）。一旦拥有这把钥匙，它就能打开任何门：

• 能量： 分子有多稳定？
• 力： 原子之间将如何推或拉？
• 偶极矩与四极矩： 它如何与磁场或电场相互作用？
• 电子密度： 电子确切地在哪里活动？
• 对密度： 电子如何配对并共舞？

4. 速度与精度

本文在数千种小有机分子（如药物或燃料中发现的那些）上测试了这一点。

• 精度： 它与“黄金标准”耦合簇的结果几乎完美匹配。
• 速度： 比进行完整的传统计算快100 倍（两个数量级）。
• 泛化能力： 当在更大的分子（如氨基酸）或处于奇怪、拉伸形状（非平衡态）的分子上进行测试时，它没有崩溃。它继续工作，而其他仅预测能量的 AI 模型则开始失效。

总结

M¯oLe-Λ 就像是从一张只显示城市位置的地图，升级到一张能显示交通、天气、施工区域以及城市如何应对突发风暴的地图。它为科学家提供了一种快速、准确的方法，不仅能看清分子是什么，还能精确了解当世界向它施压时它如何表现，而且无需等待超级计算机数天之久。

技术摘要

技术摘要：M¯oLe-Λ

问题陈述
耦合簇（CC）理论，尤其是 CCSD（单激发和双激发）变体，是计算基态性质准确量子化学计算的黄金标准。然而，其计算成本随系统规模呈 $O(N^6)$ 增长，限制了其在小体系之外的常规应用。尽管最近的机器学习（ML）方法已成功预测能量和力，或学习了密度和哈密顿量，但它们通常无法直接参数化完整的耦合簇响应态。具体而言，仅基于能量或右端振幅（$T$）训练的标准机器学习模型无法恢复“弛豫”可观测量——如解析梯度、响应密度、极化率和双电子性质——这些性质从根本上依赖于左端伴随振幅（$\Lambda$）。若无 $\Lambda$，这些性质要么需要昂贵的后处理，要么无法从学习到的模型中准确计算。

方法论
本文介绍了 M¯oLe-Λ，这是分子轨道学习（M¯oLe）框架的扩展，旨在预测完整的基态耦合簇响应态。该方法直接从局域化 Hartree–Fock 分子轨道（MOs）中学习右端激发振幅（$T_1, T_2$）和左端去激发振幅（$\Lambda_1, \Lambda_2$）。

• 架构：该模型保留了 M¯oLe 的等变轨道编码器，通过共享的分子轨道注意力（molecular-orbital attention）和 Odd-MACE 更新骨干网络处理局域化 MOs。这确保了输入的旋转等变性以及相对于轨道相位翻转的符号等变性。
• 双路读出：架构增加了四个独立的读出头：两个用于 $T$ 振幅（$T_1, T_2$），两个用于 $\Lambda$ 振幅（$\Lambda_1, \Lambda_2$）。$\Lambda$ 头镜像了 $T$ 头的对称性约束。
• 训练策略：模型通过最小化预测振幅与参考振幅之间的均方误差进行训练。为了提高数据效率，作者采用了一种残差训练策略，即模型学习 CCSD 振幅与微扰 MP2 振幅之间的修正量（$\Delta$），而非原始振幅。这利用了自然存在的低阶微扰结构作为先验。
• 性质重构：一旦预测出振幅，所有下游性质均通过标准的耦合簇后处理例程推导得出，而非独立的预测头。这包括：
  • 能量和力：利用 $T$ 和 $\Lambda$ 从 CCSD 拉格朗日量计算得出。
  • 单粒子可观测量：偶极矩、四极矩和电子密度从 $\Lambda$ 态的单粒子约化密度矩阵（1-RDM）重构得出。
  • 双粒子可观测量：对密度从 2-RDM 重构得出。
  • 响应性质：极化率通过在弱外部微扰下评估重构密度矩阵的导数获得。

关键结果
作者在 QM7 数据集和多个分布外测试集上评估了 M¯oLe-Λ，并将其与 Hartree–Fock（HF）、MP2 以及最先进的机器学习原子间势（MLIPs，如 MACE 和 eSEN）进行了比较。

• 准确性：在 QM7 测试集上，M¯oLe-Λ 实现了 0.10 mHa 的能量平均绝对误差（MAE）和 0.12 mHa/Bohr 的力平均绝对误差，优于直接 CCSD 机器学习原子间势基线和 $\Delta$-MP2 基线。
• 响应性质：与 HF、MP2 以及仅基于右态的 M¯oLe 重构相比，该模型显著提高了偶极矩、四极矩和极化率的预测精度。这证实了学习 $\Lambda$ 振幅对于准确获取弛豫可观测量至关重要。
• 泛化能力：该模型表现出稳健的尺寸外推能力，在更大的氨基酸和 PubChem 分子（最多 15 个重原子）上保持低误差，而仅基于几何结构的 MLIPs 在此类情况下性能下降。它还在非平衡几何结构（如键拉伸、二面角扫描）上表现出更优越的性能。
• 电子和对密度：对电子密度和对密度的可视化分析表明，M¯oLe-Λ 捕捉到了关联电子对结构，并在抑制非原子位误差方面远优于 MP2 或仅基于右态的模型。
• 效率：该方法提供了显著的速度提升。对于高达 C21 的体系，M¯oLe-Λ 计算 $T$ 和 $\Lambda$ 振幅的速度比求解完整 CCSD 和 $\Lambda$ 方程快两个数量级。在测试范围内，经验标度观察到低于 $O(N^3)$，这可能是由于张量操作的高效 GPU 并行化所致。

意义与主张
本文声称，M¯oLe-Λ 代表了关联化学中机器学习的一个转变：从近似孤立的可观测量转向近似底层电子结构态。通过学习完整的响应态（$T, \Lambda$），单个学习对象可以支持一个统一的框架，涵盖能量、力、响应性质和约化密度矩阵可观测量。

作者将这项工作定位为提供通往“波函数级代理模型”的途径，使高保真度的 CCSD 级响应性质以计算成本的一小部分即可获取。他们强调，这种方法在低数据 regime 中特别有价值，因为结构化的振幅张量提供了比直接性质拟合更有效的数据表示。该工作目前局限于闭壳层体系，使用 def2-SVP 基组和 QM7 中出现的元素，未来的工作计划扩展到更大的基组、开壳层体系以及稀疏张量表示。