新的計算化學技術加速分子和材料的預測 | MIT新聞

材料設計的歷史

在很久以前，設計材料是一項非常艱難的工作。研究人員在一千多年的時間裡，試圖通過將鉛、汞和硫等物質混合在一起來製造金子，並希望能夠找到正確的比例。甚至像泰科·布拉赫 (Tycho Brahe)、羅伯特·波伊爾 (Robert Boyle) 和艾薇·牛頓 (Isaac Newton) 等著名科學家也曾嘗試過這種徒勞的煉金術。

材料科學的進步

當然，材料科學已經取得了很大的進步。在過去的150年裡，研究人員可以依賴元素週期表，這告訴他們不同的元素有不同的性質，並且一種元素不能神奇地轉變為另一種。此外，在過去十年左右，機器學習工具大大提高了我們確定各種分子和物質的結構及物理性質的能力。由麻省理工學院 (MIT) 核能工程東京電力公司教授李居 (Ju Li) 領導的一組新研究，提供了在材料設計方面取得重大進展的希望。他們的研究結果發表在2024年12月的《自然計算科學》(Nature Computational Science)期刊上。

分子系統的計算方法

目前，大多數用於描述分子系統的機器學習模型是基於密度泛函理論 (DFT)，這是一種量子力學方法，可以通過觀察電子密度分佈來確定分子或晶體的總能量。根據李教授的說法，這種方法雖然成功，但也有一些缺點：“首先，準確性並不總是很好。其次，它只告訴你一件事：分子系統的最低總能量。”

“夫妻治療”來拯救

他的團隊現在依賴另一種計算化學技術，這種技術也源自量子力學，稱為耦合簇理論 (CCSD(T))。“這是量子化學的黃金標準，”李教授說。CCSD(T)計算的結果比DFT計算的結果準確得多，並且可以與目前從實驗中獲得的結果相媲美。問題是，在電腦上進行這些計算非常緩慢，他表示，“而且擴展性不好：如果你將系統中的電子數量加倍，計算的成本將增加100倍。”因此，CCSD(T)計算通常僅限於約10個原子的分子，超過這個數量的計算將需要太長時間。

機器學習的應用

這就是機器學習發揮作用的地方。首先在傳統計算機上執行CCSD(T)計算，然後將結果用於訓練李教授和他的同事們專門設計的神經網絡。經過訓練後，神經網絡可以利用近似技術更快地執行這些計算。此外，他們的神經網絡模型可以提取有關分子的更多信息，而不僅僅是其能量。“在以前的工作中，人們使用多個不同的模型來評估不同的性質，”麻省理工學院材料科學與工程博士生唐浩 (Hao Tang) 說。“在這裡，我們使用一個模型來評估所有這些性質，因此我們稱之為‘多任務’方法。”

多任務電子哈密頓網絡

“多任務電子哈密頓網絡”（MEHnet）可以揭示多種電子性質，例如偶極矩和四極矩、電子極化率以及光學激發間隙——將電子從基態轉移到最低激發態所需的能量。“激發間隙影響材料的光學性質，”唐浩解釋道，“因為它決定了分子可以吸收的光的頻率。”他們的CCSD訓練模型的另一個優勢是，它可以揭示基態和激發態的性質。該模型還可以預測與分子的振動性質相關的紅外吸收光譜，分子內原子的振動相互耦合，導致各種集體行為。

網絡架構的優勢

他們的方法的強大之處在於網絡架構。根據麻省理工學院助理教授泰絲·史密特 (Tess Smidt) 的研究，團隊利用了一種稱為E(3)-等變圖神經網絡的技術，唐浩說，“其中節點代表原子，連接節點的邊表示原子之間的鍵。我們還使用自定義算法，將物理原則——與人們如何計算量子力學中的分子性質相關——直接納入我們的模型。”

測試結果

在對已知的碳氫化合物進行分析時，李教授等人的模型表現超過了DFT模型，並且與從已發表文獻中獲得的實驗結果非常接近。

未來的應用

北卡羅來納大學夏洛特分校的材料發現專家朱強 (Qiang Zhu) 對目前的成就印象深刻。“他們的方法使得在小數據集上進行有效訓練成為可能，同時在準確性和計算效率上超越現有模型，”他說。“這是一項令人興奮的工作，展示了計算化學和深度學習之間強大的協同作用，為開發更準確和可擴展的電子結構方法提供了新思路。”

未來的展望

麻省理工學院的團隊首先將他們的模型應用於小型非金屬元素——氫、碳、氮、氧和氟，這些元素可以用來製造有機化合物——然後轉向研究更重的元素：矽、磷、硫、氯甚至鉑。在對小分子進行訓練後，該模型可以推廣到越來越大的分子。“以前，大多數計算僅限於分析數百個原子的DFT和僅數十個原子的CCSD(T)計算，”李教授說。“現在我們談論的是處理數千個原子，最終可能是數萬個。”

結論

目前，研究人員仍在評估已知的分子，但該模型可以用於描述以前未見過的分子，以及預測由不同類型分子組成的假想材料的性質。“我們的想法是使用我們的理論工具挑選出滿足特定標準的有前景候選者，然後建議實驗者進行檢查，”唐浩說。

李教授認為，未來的應用潛力巨大。“這種方法有可能實現高通量的分子篩選，”他說。“這是一項任務，在識別具有理想性質的新分子和材料時，實現化學準確性至關重要。”一旦他們展示出分析數萬個原子的能力，李教授表示，“我們應該能夠發明新的聚合物或材料”，這些材料可能用於藥物設計或半導體設備。對重過渡金屬元素的研究可能會導致新材料的出現，這在當前是一個急需的領域。

李教授所見的未來是廣闊的。“這不再僅僅是關於一個領域，”他說。“我們的最終目標是以低於DFT的計算成本，覆蓋整個元素週期表的CCSD(T)級別準確性。這應該使我們能夠解決化學、生物學和材料科學中的各種問題。目前很難知道，這個範圍可能有多廣。”

這項工作得到了本田研究所的支持。唐浩感謝Mathworks工程獎學金的支持。本研究中的計算部分是在Matlantis高速通用原子模擬器、德克薩斯高級計算中心、麻省理工學院超雲端和國家能源研究科學計算中心進行的。