在材料盘算的早期阶段，这项任务极为艰巨。研究东说念主员曾破耗上千年时辰，通过搀杂铅、汞和硫等物资，并尝试以他们以为最好的比例来制造黄金。即使是像布拉赫、波义耳和牛顿这么的著明科学家曾经参与过这种被称为“真金不怕火金术”的奢侈尝试。
像塞斯科和尼科这样的长期目标仍然吸引着阿森纳的兴趣，但预计赛季中期无法实现。虽然库尼亚不是主要目标，但阿森纳长期以来很欣赏这位狼队球员，他们对他本赛季的表现印象深刻，并正在关注他的情况。但很难想象狼队会在一个注定为保级而战的赛季在赛季中期出售库尼亚，然而如果狼队降级，机会就会出现。
虽然，材料科学如今如故取得了长足的高出。在夙昔的 150 年里，借助元素周期表，研究东说念主员意志到不同元素具有特有的性质，何况一种元素不成能通过魔法般的面容转酿成另一种。此外，近十年来，机器学习器具极地面提高了咱们细目多样分子和物资结构及物感性质的智力。
近期，由麻省理工学院材料科学与工程系李巨讲授率领的一个小组的新研究有望在促进材料盘算的智力方面终了重要飞跃，他们的研究适度如故发表在Nature Computational Science上。
面前，大大宗用于表征分子系统的机器学习模子王人依赖于密度泛函表面（DFT），这种表面是一种量子力学法式，通过研究电子密度漫衍来细目分子或晶体的总能量。所谓电子密度漫衍，是指单元体积内每个空间点隔壁的平均电子数目。这一表面的始创性使命由 Walter Kohn 在 60 年前提议，他也因此于 1998 年赢得了诺贝尔化学奖。尽管密度泛函表面在好多界限取得了生效，但它并非绰绰有余。正如李巨所指出的那样：“领先，其精度并不老是实足高；其次，它只可告诉你一件事：分子系统的最低总能量。”
李巨的研究团队罗致了一种不同的计较化学时间，这种时间相通基于量子力学，被称为耦合簇表面 (CCSD(T))。他暗示：“这是量子化学的黄金标准。”与密度泛函表面比拟，耦合簇表面的计较适度更为精准，其准确性不错与面前通过本质赢得的数据相比好意思。然则，耦合簇表面的一个纰谬是计较效用极低，且难以扩展。
他解释说念：“若是系统中的电子数目翻倍，计较资本会增多 100 倍。”因此，耦合簇表面的应用频频局限于限制较小的分子系统，频频包含大致 10 个原子。关于更大限制的系统，计较所需的时辰和资源将变得难以承受。
而这恰正是机器学习施展枢纽作用的场合。领先，研究团队欺诈传统计较机扩充耦合簇表面计较，并将适度用于进修他们挑升盘算的新式架构神经收集。经过进修后，该神经收集巧合通过类似法式加速计较速率。此外，这种神经收集模子不仅不错计较分子的能量，还能索要更多属性信息。麻省理工学院材料科学与工程系的博士生 Hao Tang 解释说念：“在以往的研究中频频需要使用多个不同的模子来评估不同的属性，而咱们仅需一个模子就能同期评估整个这些属性，这亦然为什么咱们将其称为‘多任务’法式。”
这种名为 Multi-task Electronic Hamiltonian Network (MEHnet) 的神经收集模子巧合揭示多种电子性质，举例偶极矩、四极矩、电子极化率以及光学激勉漏洞。Hao Tang 暗示，迪士尼彩乐园靠谱不“激勉漏洞对材料的光学性质有重要影响，因为它决定了分子巧合罗致的光的频率。”此外，基于耦合簇表面数据进修的模子不仅不错揭示基态属性、预测激勉态的性质，还巧合预测与分子振动性质辩论的红外罗致光谱。在这种光谱中，分子内原子的振动相互耦合，从而施展出多种复杂的集体动作。这些智力使 MEHnet 成为分析和盘算复杂分子系统的精深器具。
这种法式的精深之处在很猛进程上归功于收集架构的翻新盘算。Hao Tang 指出，团队模仿了麻省理工学院助理讲授 Tess Smidt 的研究适度，罗致了一种被称为 E(3)-Equivariant Graph Neural Network 的架构。“在这种收集聚，节点暗示原子，而一语节气点的边暗示原子之间的键辩论。同期，咱们还盘算了定制算法，将量子力学上钩算分子性质的物理旨趣径直整合到模子中。” 他说说念。
在已知的碳氢化合物分子分析测试中，李巨团队开拓的模子施展优于传统的密度泛函表面法式，其适度与已发表文件中的本质数据高度一致。
好意思国北卡罗来纳大学夏洛特分校的材料民众 Qiang Zhu（未参与该研究）对这项研究适度给以了高度评价。他暗示：“他们的法式巧合在少许据集上终了存效进修，同期比拟现存模子，具有更高的精度和计较效用。这是一项令东说念主昂扬的研究，展示了计较化学与深度学习之间的精深协同作用，为开拓更精准且可扩展的电子结构法式提供了新想路。”
麻省理工学院团队领先将模子应用于由微型非金属元素，如氢、碳、氮、氧和氟构成的有机化合物。随后，他们将研究范围扩展至更重的元素，包括硅、磷、硫、氯，以致贵金属铂。在针对小分子进行进修后，该模子施展出了很强的彭胀智力，不错用于分析更大限制的分子系统。李巨指出：“以前，大大宗计较仅限于分析包含数百个原子的系统或数十个原子的系统。面前，咱们商酌的是巧合处理数千个原子的智力，而将来以致可能扩展到数万个原子的分子系统。” 这种限制的提高为研究复杂分子和材料盘算开辟了新想路。
面前，研究东说念主员主要专注于评估已知分子，但该模子的应用后劲远不啻于此，它还不错用于表征未知分子，并预测由不同分子构成的假定材料的性质。“咱们的主义是欺诈这一表面器具筛选出自尊特定标准的候选分子，然后将这些建议提供给本质东说念主员进行考据。”Hao Tang 补充说念。
瞻望将来，Qiang Zhu 对这种法式的潜在应用执乐不雅气派。他暗示：“这一法式有望终了高通量分子筛选。在这一进程中，化学精度关于发现具有遐想特色的全新分子和材料至关重要。”
李巨进一步指出，“一朝团队巧合生效讲明其模子分析包含数万个原子的超大型分子的智力，咱们将巧合发明用于药物盘算或半导体缔造的新式团员物或材料。” 他还强调，对重过渡金属元素的久了研究可能为开拓新一代电板材料提供枢纽冲突，而这是现时时间和社会发展的进攻需求之一。
在李巨看来，将来充满了无穷可能。“这不仅局限于某一个界限，”他说说念，“咱们的最终主义所以比密度泛函表面更低的计较资本，在耦合簇表面级别的精度下隐藏整个这个词元素周期表。这将使咱们巧合贬责化学、生物学和材料科学中的多样问题。面前还难以预想这种法式的后劲究竟有多广。”
这项研究得到了本田研究所的资助，此外，部分计较使命是在 Matlantis 高速通用原子模拟器、德克萨斯高等计较中心、MIT SuperCloud 和国度动力研究科学计较中心上完成的。
https://news.mit.edu/2025/new-computational-chemistry-techniques-accelerate-prediction-molecules-materials-0114