中国科学技术大学江俊教授团队利用人工智能技术，结合量子化学计算方法，成功实现对分子键能的准确快速预测。
从理论上计算分子的键能对于理解分子特性至关重要。例如，通过对键能进行数值分析预测化学反应路径，可以优化众多重要化工产品和能源体系的工艺流程。而对于键能数值的获取，可以采用量子化学方法来计算化学键断裂前后的分子能量的差值。尽管该方法能够精确获得键能数值，但对于复杂的化学反应，需要分析不同条件下的多种化学构型下的大量化学键，这就意味着要进行大量重复的量子力学计算，从而耗费昂贵的计算资源。而其他方法，如经验公式方法虽然计算快速，却在精确度上不尽人意。因此，长期以来，分子键能的准确快速预测是一个困难和挑战。
近年来，以大数据和人工智能技术为基础的数据驱动创新模式在化学领域取得了备受瞩目的进展。特别是神经网络—— 一种基于对数据进行特征学习的算法，可显著加速规则清晰、数据高度复杂的科学问题的处理。受此启发，中国科学技术大学微尺度物质科学国家研究中心的江俊教授课题组，应用神经网络预测分子键能，并结合传统的量子化学理论计算，为精确快速预测分子键能提供了一种高效的工具。
江俊课题组近些年致力于发展机器学习技术在量化领域中的应用，努力探究使其成为解决量化问题的一种重要工具。在本工作中，研究人员首先通过量子化学计算，获得了8000组键能数据。通过随机森林方法在分子基本状态信息中筛选出合适的描述符，通过神经网络对8000组量子化学数据进行了迭代学习，建立了分子键能与其基本状态信息之间的神经网络模型，并通过该模型成功预测了分子键能。此外，还比较分析了不同原子电荷分布下的神经网络模型的性能。该工作证明了机器学习模拟分子键能的可行性和优势，为预测复杂体系分子键能提供了一种合理解决方案。
图1 人工智能技术预测分子键能
该研究结果以“A Neural Network Protocol for Predicting Molecular Bond Energy”为题发表于SCIENCE CHINA Chemistry。相关工作得到了国家自然科学基金、国家重点研发计划、中央高校基本科研专项资金的资助。中国科学技术大学研究生冯超为该论文的第一作者，中科大微尺度物质科学国家研究中心的江俊教授为通讯作者。
Citation: Chao Feng, Edward Sharman, Sheng Ye, Yi Luo, Jun Jiang. A neural network protocol for predicting molecular bond energy. Sci. China Chem., 2019, doi:10.1007/s11426-019-9619-8
扫描二维码免费阅读全文
【扩展阅读】
晶体结构表达新方法 | 一种智能化的晶体材料比对算法
通讯作者简介
江俊教授，2000年获武汉大学物理系人才基地班理论物理学士学位，2007年获瑞典皇家工学院理论化学博士学位，2008年获中国科学院上海技术物理研究所微电子与固体电子学博士学位。此后在瑞典皇家工学院与美国加州大学尔湾分校从事博士后研究，并于2010-2011年任助理研究员。主要从事理论化学研究，发展和应用多个尺度的物理与化学基础理论方法，聚焦于复杂体系内电子运动模拟，研究在多个物理与化学应用领域（光催化、生物化学、光化学、分子电子学与光子学）中的实际问题。曾获国家优秀自费留学生奖和中国科学院优秀博士论文奖励。2013年获批主持科技部“青年973”项目。