← 最新论文
🔬 物理学

Toward universal excited-state machine-learned potentials: a local excitation Hamiltonian for size consistency and transferability

本文介绍了 LEH-MACE,这是一种通过将激发能构建为由原子中心块组装而成的局部激发哈密顿量的特征值,从而实现精确尺寸一致性并提高激发态模拟迁移性的机器学习势函数,进而克服了标准池化读取在处理高阶激发态和非相互作用分子系统时的局限性。

原作者: Pascal Friederich

发布于 2026-11-10
📖 1 分钟阅读☕ 轻松阅读

原作者: Pascal Friederich

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

在化学的世界里,分子并非静止的雕塑;它们是动态的实体,会吸收光线、改变形状并转化为新的物质。为了理解这些转瞬即逝的时刻,科学家们依赖于计算机模拟来绘制分子运动时的能量图谱。几十年来,这些模拟在描述分子的平静、静止状态(即基态)方面表现出色。然而,当一个分子吸收光子并跃迁到激发态时,规则就改变了。激发态的能量并不简单地等于其单个原子能量的总和。相反,激发态是整个系统的集体属性,其中一部分的行为取决于其他部分,其间存在着复杂的相互作用。这使得创建一个能够预测任何分子在受到光照后如何表现的单一计算机模型变得极其困难,尤其是在该分子很大或者它是某个群体的一部分时。由于缺乏一种可靠的方法来预测这些能量,模拟驱动从太阳能电池到视觉等一切过程的光化学过程,仍然是一项缓慢、昂贵且往往难以实现的任务。

卡尔斯鲁厄理工学院的一位研究人员通过开发一种名为 LEH-MACE 的新型计算机模型,在解决这一问题方面迈出了重要一步。他们的目标是创建一个通用的工具,能够准确预测整个化学领域中分子的激发态,而不仅仅是针对几个特定的例子。他们面临的核心挑战是一个基本的数学障碍:与能量可以从原子到原子整齐累加的基态能量不同,激发态能量并不遵循这种规律。如果你有两个距离很远的独立分子,这对分子的激发态列表应该仅仅是每个分子各自激发态列表的组合。以往的计算机模型往往无法通过这项基本测试,在分子成组或规模大于其学习过的示例时,会产生错误的能量值。研究人员意识到,要解决这个问题,他们需要改变计算机“读取”分子能量的方式。

该模型并没有尝试将总能量计算为一个单一的数字或简单的原子贡献平均值,而是构建了一个被称为“局部激发哈密顿量”(local excitation Hamiltonian)的数学结构。可以将这个结构想象成一个巨大的、有组织的网格,其中每个单元格代表单个原子的能量或两个相邻原子之间的相互作用。计算机根据原子的位置填充这个网格,然后通过求解一个特定的数学谜题来找到隐藏在网格中的能级。由于该网格是由局部部分构建的,其解自然符合“远距离分子不会干扰彼此能级”的规则。如果两个分子相距甚远,网格就会分裂成两个独立的部分,计算机就能正确识别出组合后的能级仅仅是两个能级列表的并列。这种设计确保了即使在应用于比其见过的分子大得多的分子,或模拟互不干扰的分子群时,该模型依然保持准确。

为了训练这个新模型,研究人员生成了海量的数据,计算了超过 30 万种不同分子构型的能量和力。这些构型包括处于静止状态的分子、被加热到高温的分子,以及在吸收光线时呈现出的扭曲和拉伸等奇异几何构型的分子。数据涵盖了超过 10 万种不同的分子,范围从简单的微小结构到大型复杂的碳链。通过将这些多样化的数据集输入模型,研究人员教会了它识别激发态中出现的能量模式。他们对模型进行了严格测试,将其与现有方法进行对比,以观察其在面对从未遇到的分子时的表现。结果显示,虽然其他模型在面对更大的分子或不相互作用的分子群时表现挣扎,但新模型保持了其准确性。它能够正确预测大型共轭链和分子对的能量水平,而其他方法产生的误差会随着系统规模的增大而显著增加。

该研究还探讨了模型在模拟分子吸收光线后的实际运动时的表现。在这些模拟中,分子经常发生扭转和旋转,经过那些其能量水平发生剧烈变化的区域。研究人员发现,虽然新模型在预测全谱能级(包括对于理解光吸收至关重要的较高能级)方面表现异常出色,但另一种更简单的处理方法在预测单分子最低激发态方面略胜一筹。这表明,最好的工具取决于所要解决的具体问题。对于理解分子可以吸收的完整色彩范围,或者理解其在含有许多其他分子的溶液中的行为,这种新的局部激发哈密顿量是更优的选择。而对于追踪单分子最低能量状态的快速舞动,旧有的、更简单的方法仍然保持着优势。

最终,这项工作证明了构建能够尊重分子相互作用基本物理规则的机器学习模型是可能的。通过设计使模型本质上理解远距离分子不会混合其能级的特性,研究人员创造了一个能够推广到其训练数据之外的广阔化学空间的工具。这是迈向构建激发态通用模拟器的关键一步,该模拟器最终将允许科学家在无需进行昂贵实验的情况下,预测用于太阳能、有机电子和医学成像的新材料的行为。研究人员已将其数据和代码向社区开放,为他人进一步开发和完善这些方法提供了基础。未来的路径在于收集更多的数据,特别是针对具有复杂电子结构的分子以及不同类型分子之间的相互作用,但一个真正通用模型的框架现已建立。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →