|
蛮力计算依赖于严格的从头计算，通常搜索化学化合物空间(CCS)中以前未知的材料，这是所有可能的稳定元素组合和结构配置的庞大集合。 在此，来自奥地利维也纳大学&瑞士巴塞尔大学的O. Anatole von Lilienfeld等研究者证明了，由炼金扰动的反对称性引起的四维手性，解剖了CCS并定义了近似秩，从而降低了它的形式维数并分解了它的组合尺度。相关论文以题为“Simplifying inverse materials design problems for fixed lattices with alchemical chirality”发表在Science Advances上。 论文链接： https://advances./content/7/21/eabf1173 分子和材料的计算模拟，可用于预测其物理、材料和化学性质，已成为分子和材料科学的常规工具。目前，研究者致力于计算材料和分子设计的努力，期望有一天会实现自动化实验设计和发现的圣杯。在计算机硬件和统计学习(人工智能)加速发展的驱动下，集成复杂的软件和机器人来执行实验序列，并在属性和材料之间建立规则和趋势，以及它们的合成的第一个开创性的例子，最近在现实中被引入。然而，“按需材料”这一崇高目标，仍然难以实现，即便是在电脑模拟中。 使用经验主义趋势来指导实验设计，在化学科学中有着悠久的传统。常见的例子包括门捷列夫发现元素周期表，哈密特关系，佩蒂福的编号方案，贝尔-埃文斯-波兰尼原理，哈蒙德假设，或泡利的共价键假设等。 在定量结构-性质关系方面，建立和利用这些规则的现代系统尝试，已经形成了计算先进的生物、化学和材料信息学方法。不幸的是，这些方法通常固有地局限于某些适用性领域，并且由于它们的经验性质而无法扩展。为了严格探索高维化学化合物空间(CCS)，即所有可想象的分子或材料(通常由组成、构造和构象来定义)的组合标度数，应该使用电子的量子力学。 因此，基于从头计算的材料设计方法，在20多年来一直处于前沿，并在推广高效准确的量子方法(如密度泛函理论(DFT))方面，发挥了重要作用。从头开始对CCS进行采样，即使是在高效的优化算法中，本质上也是一种典型的百科全书式的努力，它忽略了不同属性和材料之间的许多潜在关系。 量子机器学习模型，在统计上利用了这些隐藏在数据中的隐性关联，并成功地加速了CCS探索活动。机器学习的效率和可移植性，明显受益于直接在模型构建中明确地加强已知的关系(例如，平移、旋转或原子指数不变性)，而不是从数据中未知地学习它们。具体的例子，包括在损失函数、空间对称关系，或任意微分关系中明确地施加力和曲率等。然而，即使对于最有效和可转移的统计模型，例如，基于分子中原子片段的方法，获得足够数量和质量的训练数据，也需要大量的前期投入。 在这里，研究者在CCS中，引入了一种新的对称关系的基本概念，它与物质从头算观念完全一致，使人们能够有效地以非经验和高效的方式解决逆材料设计问题。由此产生的“炼金”对映体，具有相同的三阶电子能，独立于各自的共价键拓扑，对化学键施加相应的约束。炼金术手性，加深了人们对CCS的理解，使任何具有固定晶格的材料，在没有经验的情况下建立趋势成为可能。在此，研究者证明了三种情况的有效性：(i)电子能对化学键贡献的新规则；(ii)氮掺杂苯的电子密度分析；(iii)分别对超过2000万和400万氮掺杂萘和苯衍生物，进行了排序。 图1 于炼金术手性和空间手性的说明。 图2 由ACEs与真实(Et)单键离解能预测(EACE)。 图3 碳氮嗪[C2H6B2N2，四氢重氮双硼烷(THDADB)]与参比分子苯(C6H6)中的炼金对映体。 图4 通过炼金术对映体链分子排序。 图5 在ACE的基础上，根据总能量排列的所有4.14亿硼掺杂的二萘品苯的趋势(top)。 综上所述，研究者的论证和数值结果表明，炼金术手性的概念是一种新颖的、基本的、有用的对称关系。它在CCS中对结构异构体进行解剖、分组和排序的能力，为进一步实现虚拟计算材料发现的总体目标，带来了巨大的希望。未来的工作将处理目前的局限性，如必须只在靠近核电荷空间内进行炼金术变化，限制变化为等电子和中性，或依赖具有固定核位置的支架晶格。与此同时，研究如何利用量子机器学习模型，来开发炼金术手性也会很有趣。（文：水生） |
|
|
