近期，深圳劳动时期大学李竞白副教讲课题组与好意思国东北大学史蒂文·洛佩斯（Steven Lopez）老师配合爱色岛，开导了一种多次第机器学习光能源学模拟的要道 [1]。

他们哄骗深度学习神经收集，加快分子鸠合体激勉态能源学的打算模拟流程，与传统基于量子力学打算的非绝热能源学要道比拟，速率最高可提高 130 万倍。

而况，收场了精确推测鸠合指点发光（AIE，Aggregation-induced emission）分子的荧光增强扫数，与实验扫尾一致。

在此基础上，该要道提供了准确丰富的激勉态分子结构信息，在原子分辨级别上揭示了分子鸠合体通过放浪分子内振动，阻止非辐照跃迁并引发 AIE 形势的机制。

该谈判通过分析激勉态分子结构演化，展示了对 AIE 形势的直不雅坚忍，加深了对传统 AIE 机制的表露，为将来更感性地联想 AIE 材料提供更充分的依据和指导。

图丨李竞白（开端：李竞白）

“该要道能一定进度幸免 AIE 分子联想与合成方面的反复试错，从而向 AIE 材料的感性联想迈进一步。”李竞白清楚。

从更永久来看，跟着表面化学与 AI for Science 的勾搭，有望通过展示打算化学范畴的发展，进一步扩大表面与打算化学的影响力，进而创造更多表面实验相勾搭的新式谈判范式。

与量子力学打算比拟，速率提高 130 万倍

AIE 是一种光物理形势，其流程由弱光发光的有机发色团鸠合成强发光。2001 年，香港科技大学唐本忠院士第一次发现，并忽视 AIE 的见解，为发光材料的谈判和应用开辟了新的标的。

AIE 材料在诸多范畴施展出应用后劲，举例，光电器件、医学诊疗、化学传感、智能反馈等。2016 年，AIE 材料纳米鸠合体与其他三种纳米材料，共同被 Nature 认定为“纳米光改换”的材料 [2]。

该谈判的发祥要从 2022 年提及，彼时，李竞白刚归国任教。在他了解国内科研进展，与学生们盘问到 AIE 形势时，以为这是值得谈判的、挑升念念的问题之一。而后，李竞白便运行进行该标的的文件调研。

他发现，诚然国内频年来在 AIE 方面还是有许多有关报说念，但在脑海里恒久有一个问题挥之不去：AIE 的本色到底是什么？

由于此前大部分的文件报说念齐是从实验角度起程，以在鸠合体中减少的非辐照衰减行为 AIE 的阐发。

基于表面化学的科研配景，李竞白恒久以为其中有一些无法“自洽”的地点，为了“冲破砂锅问到底”，他与团队运行了这项孤立谈判后的首个课题。

图丨AIE 机理清楚图（开端：Chem）

关联词，不成忽视的是，打算方面恒久存在难度大和老本高的问题。

jk黑丝

一方面，在时期分辨实验中，穷乏激勉态分子的结构信息；另一方面，表面模拟面对着宗旨分子体系大、模拟时期长等挑战，导致基于传统量子力学打算的非绝热能源学要道的老本过于腾贵。

受海外团队通过引入机器学习、神经收集，来搞定打算化学中的打算老本问题的启发，好色电影院李竞白指导课题组研发了这项谈判中的重要用具——机器学习光能源学模拟软件，称号为 PyRAI2MD（Python Rapid Artificial Intelligence Ab Initio Molecular Dynamics），以突破现存表面化学打算要道的瓶颈。

该谈判勾搭了多种时期技巧，包括量子化学打算、深度神经收集、半告诫要道、分子力学要道和非绝热能源学要道。

基于此，谈判了一系列经典 AIE 分子的激勉态能源学，举例，六苯基噻咯（HPS，hexaphenylsilole）、四苯基噻咯（TPS，tetraphenylsilole）以及环辛四噻吩（COTh，cyclooctatetrathiophene）。

通过分析模拟中不雅测到的非辐照跃迁结构特征，谈判东说念主员发现，AIE 分子共轭环上碳-碳双键的扭转畅通在鸠合情状下受到放浪，从而阻止了其非辐照衰减跃迁。

图丨 AIE 形势的分子机制谈判进展（开端：Chem）

为揭示 HPS、TPS、COTh 这三个分子的非辐照跃迁机制，谈判东说念主员对气态能源学轨迹以及鸠合体能源学轨迹进行模拟。值得存眷的是，该团队用新要道模拟打算所得的荧光量 AIE 扫数，在实验值重现上获取突破。

具体来说，实验值方面，HPS、TPS 和 COTh 的 AIE 扫数永别为 255、3 和 12；而本次谈判中，三个分子的 AIE 扫数对应永别为 263、5 和 12。

李竞白清楚，该模拟效果与实验数据高度吻合，这也很好地考证了机器学习光能源学要道的可靠性。

值得存眷的是，这种新的打算要道保抓速率快的同期，也保证了打算要道的精确度。

相较于通例的含时密度泛函表面（‌TDDFT，Time-dependent Density Functional Theory）打算，该要道速率最快能提高 130 万倍，同期打算精度还能保抓在 1 千卡/摩尔，这亦然能收场如斯复杂模拟的枢纽之一。

结构演化对揭示分析分子激勉态能源学机理额外重要。诚然在实验中获取分子结构与性能的构效联系相对容易，关联词，测得分子结构随时期演化的信息却并非易事。

李竞白清楚：“咱们通过这种高效、高精度的打算模拟，为谈判激勉态能源学中的分子结构演化，提供了额外直不雅的谈判要道。在此基础上，勾搭咱们的实验形势，最终收场了定量谈判构效联系的宗旨。”

此外，该谈判在模拟尺寸方面也收场了突破，其所存眷的不再是单一的分子体系，而是鸠合体情状下的能源学流程。

在以往的谈判中，激勉态打算分子能源学的打算量大部分在 100 个原子以内，而该谈判处理的体系最多达 1917 个原子，进一步拓展了 AIE 表面要道和处理体系的次第。

用一年时期修起审稿东说念主的“灵魂拷问”

李竞白具有交叉学科的科研配景，他本科毕业于郑州大学，在好意思国伊利诺伊理工大学化学系获博士学位，聚焦于表面打算标的。

之后，在好意思国东北大学化学与生牺牲学系史蒂文·洛佩斯（Steven Lopez）教讲课题组从事博士后谈判责任，并从其时起运行战役分子能源学、激勉态性质的打算力学等前沿的课题。

现在，担任深圳劳动时期大学霍夫曼先进材料谈判院副老师，主要谈判标的为高能量密度有机材料联想，光化学反应表面模拟，以及机器学习非绝热能源学要道开导。

该谈判履历约一年半的时期，是李竞白孤立修复课题组以来的首个课题。

该谈判波及到基于传统量子力学的量子化学打算，因此需要谈判东说念主员对反应体系的电子结构性质有一些初步的了解。在具备化学学问后，再将其调养成机器学习的面孔。

在前期投稿时，审稿东说念主忽视，该模拟要道关于激勉态能源学的速率具有昭彰的高估。

基于此，李竞白与学生通盘搜检代码，并与有关的文件报说念进行比对，对模拟要道中的每一处细节齐进行了反复的调试和纠正。“得到比较梦想的扫尾后，咱们团队齐比较高亢。”他说。

另一位审稿东说念主则对模子机理的可靠性和普适性再次发出“灵魂拷问”：这种要道是不是只适用于谈判中的某个分子体系？是否不错确凿地为 AIE 形势提供具有普适性、适用于多种不同分子类型的材料的表面撑抓呢？

为了解答这个问题，李竞白和团队足足用了一年时期进行准备，以塌实完善的谈判扫尾打动了 Chem 的剪辑和审稿东说念主。回归审稿的流程，李竞白说：“咱们千里下心来，将正本谈判的体系扩大，一步步打磨，最终给出了审稿东说念主兴盛的谜底。”

Chem 的审稿东说念主之一以为，模拟数据与实验数据一致，从模拟中得到的细节允许的确的分子表露 AIE 的流程。

另一位审稿东说念主则评价称：“这篇手稿为非辐照衰变机制提供了可能。这些扫尾是意旨的，并有望引起发光材料和光物理范畴谈判东说念主员的意思意思。”

最终，有关论文以《机器学习光能源学揭示在鸠合指点发光中被阻断的非辐照机制》（Machine learning photodynamics uncover blocked non-radiative mechanisms in aggregation-induced emission）为题，发表在 Chem[1]。

深圳劳动时期大学博士生王犁是第一作家，李竞白副老师和好意思国东北大学史蒂文·洛佩斯（Steven Lopez）老师担任共同通信作家。

图丨有关论文（开端：Chem）

诚然该要道具有一定先进性，但现在，机器学习神经收集模子履行仍然存在挑战。该课题组但愿不才个阶段的谈判中，八成缩小时期复杂度和操作门槛，从而让更多谈判东说念主员更容易地表露和使用该要道。

另一方面，基于神经收集使用的复杂度，其精确度还有一定的提高空间。

据了解，当下海外有关团队在进行一些新的尝试，举例新式神经收鸠合构、卷积神经收集以及最新比较热点的扩散模子等，但这类复杂神经收集模子的问题在于，有关履行老本比较高。

“咱们但愿不错在保抓神经收集框架上风的同期，也八成将它的履行老本轮番在一定规模内，从而扩大其应用范畴。”李竞白说。

图丨气相和分子鸠合体模子（开端：Chem）

此外，该谈判在履行数据的麇集流程方面也有一定优化空间，关于模拟新材料、新分子结构来说，除了神经收集架构的挑战，还需要进行神经收集数据履行。

他阐发说说念：“现存的一些要道诚然收场了部分自动化的数据麇集，可是它离梦想中的智能、便携、高效的履行要道还有一定距离，这亦然咱们将来勤奋的标的。”

AI for Science 为现在的科学问题带来新的不雅点。该谈判中的表面打算光化学与机器学习的勾搭，恰是 AI for Science 范式下催生的新范畴。

以表面化学和打算化学范畴为例，李竞白清楚：“诚然刻下量子化学打算要道在向更精确更高效发展，但打算机硬件对打算遵守的制约仍不成忽视，而与 AI 勾搭的要道为突破打算性能提供了新的契机。”

将来，他但愿开导出性能更好、老本更低、架构更通俗的神经收集模子，让更多学者共同参与到该范畴的谈判中。

参考贵府：

1.Machine learning photodynamics uncover blocked non-radiative mechanisms in aggregation-induced emission.Chem（2024）.https://doi.org/10.1016/j.chempr.2024.04.017

2.Lim， X. The nanolight revolution is coming. Nature 531， 26–28 (2016). https://doi.org/10.1038/531026a

运营/排版：何晨龙爱色岛