美国哈佛大学与麻省理工学院的研究人员开发了一种基于绝热状态的绝热人工神经网络（DANN），用于加速对偶氮苯衍生物及此类分子的模拟。该方法比用于训练的量子化学方法快了6个数量级，为快速准确地虚拟筛选光活性化合物铺平了道路。相关研究成果6月15日发表于《自然 通讯》杂志。

光化学中的从头算方法受到其计算成本的严重限制，且光动力学模拟尚未用于大规模虚拟筛选。研究团队在使用机器学习进行低成本的大规模光化学模拟和虚拟筛选方面取得了重大进展。他们专注于来自同一化学家族的分子，研究偶氮苯的衍生物，该衍生物包含多达100个原子，成为迄今符合激发态机器学习势（machine learning potential）的最大系统。

研究人员结合等变神经网络和基于物理的绝热模型，以及化学空间组合探索产生的数据和通过主动学习进行的配置采样，生成了一个DANN模型。该模型可转移应用到大型的、看不见的偶氮苯衍生物。研究人员使用该模型预测3100多种假设物种的量子产率，揭示了具有高顺式-反式和反式-顺式量子产率的稀有分子，并确定了几种具有高量子产率、红移激发能量和反转稳定性的假设化合物。

信息来源：

https://www.nature.com/articles/s41467-022-30999-w

https://mp.weixin.qq.com/s/6nM1qCos1CQQmbkyoVym1Q