八月桂花正飄香，科研人員爭(zhēng)芬芳！不問(wèn)月宮深幾許，但求文章早接受。

1.Nature Machine Intelligence：基于廣義模板的圖神經(jīng)網(wǎng)絡(luò)用于精確有機(jī)反應(yīng)性預(yù)測(cè)

對(duì)化學(xué)反應(yīng)性的可靠預(yù)測(cè)，仍停留在知識(shí)淵博的合成化學(xué)家的領(lǐng)域。在未來(lái)的數(shù)字實(shí)驗(yàn)室中，利用人工智能將這一過(guò)程自動(dòng)化，可以加速合成設(shè)計(jì)。雖然一些機(jī)器學(xué)習(xí)方法，已經(jīng)顯示出了有希望的結(jié)果，但目前大多數(shù)模型，都偏離了人類(lèi)化學(xué)家基于電子變化分析和預(yù)測(cè)反應(yīng)的方法。在此，來(lái)自韓國(guó)科學(xué)技術(shù)院的Yousung Jung等研究者提出了一個(gè)名為LocalTransform的化學(xué)驅(qū)動(dòng)圖神經(jīng)網(wǎng)絡(luò)，它基于廣義反應(yīng)模板學(xué)習(xí)有機(jī)反應(yīng)，描述反應(yīng)物和生成物之間電子構(gòu)型的凈變化。研究者提出的概念，大大減少了反應(yīng)規(guī)則的數(shù)量，并展示了最先進(jìn)的產(chǎn)品預(yù)測(cè)精度。除了廣義反應(yīng)模板的內(nèi)置可解釋性外，該模型的高分-準(zhǔn)確度相關(guān)性允許用戶(hù)評(píng)估機(jī)器預(yù)測(cè)的不確定性。

參考文獻(xiàn)：

Chen, S., Jung, Y. A generalized-template-based graph neural network for accurate organic reactivity prediction.?NatMach Intell?4, 772–780 (2022). https://doi.org/10.1038/s42256-022-00526-z

原文鏈接：

https://www.nature.com/articles/s42256-022-00526-z

2.npj Computational Materials：基于物理的機(jī)器學(xué)習(xí)預(yù)測(cè)玻璃結(jié)構(gòu)

機(jī)器學(xué)習(xí)(ML)，正在成為預(yù)測(cè)包括玻璃在內(nèi)的材料性能的強(qiáng)大工具。將玻璃成分如何影響近程原子結(jié)構(gòu)的知識(shí)告知ML模型，有可能增強(qiáng)成分-性質(zhì)模型，在訓(xùn)練集之外進(jìn)行精確外推的能力。在此，來(lái)自丹麥奧爾堡大學(xué)的Morten M. Smedskjaer等研究者介紹了一種方法，其中統(tǒng)計(jì)力學(xué)為ML模型提供了信息，可以預(yù)測(cè)氧化玻璃的非線性成分-結(jié)構(gòu)關(guān)系。與單獨(dú)依賴(lài)統(tǒng)計(jì)物理或機(jī)器學(xué)習(xí)的模型相比，這種組合模型提供了改進(jìn)的預(yù)測(cè)。具體來(lái)說(shuō)，研究者證明了組合模型準(zhǔn)確地插值和外推Na2O-SiO2玻璃的結(jié)構(gòu)。重要的是，該模型能夠外推訓(xùn)練集之外的預(yù)測(cè)，這一點(diǎn)可以從這樣一個(gè)事實(shí)得到證明：它能夠預(yù)測(cè)在訓(xùn)練過(guò)程中完全隱藏的玻璃系列的結(jié)構(gòu)。

參考文獻(xiàn)：

B?dker, M.L., Bauchy, M., Du, T. et al. Predicting glass structure by physics-informed machine learning.?npj ComputMater?8, 192 (2022). https://doi.org/10.1038/s41524-022-00882-9

原文鏈接：

https://www.nature.com/articles/s41524-022-00882-9

3.npj Computational Materials：鋰離子電池X射線層析成像的自監(jiān)督圖像質(zhì)量評(píng)價(jià)

圖像感知，在基于層析的微觀結(jié)構(gòu)表征方法中起著基礎(chǔ)性作用，并對(duì)圖像處理的所有后續(xù)階段(如分割和3D分析)產(chǎn)生深遠(yuǎn)影響。然而，圖像感知的增強(qiáng)，常常涉及到觀察者的依賴(lài)性，這反映了用戶(hù)對(duì)用戶(hù)的離散性和計(jì)算參數(shù)的不確定性。在此，來(lái)自法國(guó)國(guó)家研究中心的Arnaud Demortière等研究者，提出了一種客觀定量的方法，利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)X射線層析成像圖像的質(zhì)量進(jìn)行評(píng)估。由于只有幾十個(gè)注釋?zhuān)芯空叩姆椒ㄔ试S直接和精確地評(píng)估層析圖像的質(zhì)量。研究者采用了不同的指標(biāo)來(lái)評(píng)估預(yù)測(cè)分?jǐn)?shù)和主觀的人類(lèi)注釋之間的相關(guān)性。評(píng)估結(jié)果表明，研究者的方法可以直接指導(dǎo)增強(qiáng)過(guò)程，以產(chǎn)生可靠的分割結(jié)果。因此，層析成像的處理，可以演變成一個(gè)魯棒的獨(dú)立于觀察者的過(guò)程，并朝著高效的自監(jiān)督方法的發(fā)展前進(jìn)。

參考文獻(xiàn)：

Zhang, K., Nguyen, TT., Su, Z. et al. Self-supervised image quality assessment for X-ray tomographic images of Li-ion battery.?npj Comput Mater?8, 194 (2022). https://doi.org/10.1038/s41524-022-00870-z

原文鏈接：

https://www.nature.com/articles/s41524-022-00870-z

4.JACS：一個(gè)靈活和可擴(kuò)展的方案，可從不同的理論層次進(jìn)行混合計(jì)算形成能

基于高通量密度泛函理論(DFT)的大型性質(zhì)數(shù)據(jù)庫(kù)，為計(jì)算材料的發(fā)現(xiàn)工作提供了支持，該數(shù)據(jù)庫(kù)目前包含數(shù)百萬(wàn)個(gè)廣義梯度近似(GGA)理論級(jí)別的計(jì)算?，F(xiàn)在，使用更精確的方法進(jìn)行高通量計(jì)算是可行的，例如meta-GGA DFT；然而，使用高保真度的方法重新計(jì)算整個(gè)數(shù)據(jù)庫(kù)將無(wú)法有效利用現(xiàn)有(GGA)計(jì)算中所包含的計(jì)算資源的巨大投資。在此，來(lái)自美國(guó)加州大學(xué)伯克利分校的Kristin A. Persson等研究者，在這里提出了一個(gè)通用程序，通過(guò)該程序，高保真度、低覆蓋率的計(jì)算(例如，選定化學(xué)系統(tǒng)的元GGA計(jì)算)可以與低保真度、高覆蓋率的計(jì)算(例如，現(xiàn)有的GGA計(jì)算數(shù)據(jù)庫(kù))以健壯和可擴(kuò)展的方式結(jié)合起來(lái)。然后，研究者使用來(lái)自Materials Project數(shù)據(jù)庫(kù)的遺留PBE(+U) GGA計(jì)算和新的r2SCAN meta-GGA計(jì)算來(lái)證明該方案改善了固相和水相穩(wěn)定性預(yù)測(cè)，并討論了其實(shí)現(xiàn)的實(shí)際考慮。

參考文獻(xiàn)：

James R. Howard, Arya Bhakare, Zara Akhtar, Christian Wolf, and Eric V. Anslyn. Data-Driven Prediction of Circular Dichroism-Based Calibration Curves for the Rapid Screening of Chiral Primary Amine Enantiomeric Excess Values?Journal of the American Chemical Society?Article ASAP DOI: 10.1021/jacs.2c08127

原文鏈接：

https://www.nature.com/articles/s41524-022-00881-w

5.npj Computational Materials：利用圖神經(jīng)網(wǎng)絡(luò)將晶體中原子結(jié)構(gòu)缺陷與中尺度性質(zhì)聯(lián)系起來(lái)

固體中存在大量的結(jié)構(gòu)缺陷，對(duì)材料的宏觀性能至關(guān)重要。然而，缺陷-性能連接，通常需要大量的實(shí)驗(yàn)或模擬工作，并且由于納米設(shè)計(jì)空間的寬度，通常包含有限的信息。在此，來(lái)自美國(guó)美國(guó)麻省理工學(xué)院的Markus J. Buehler等研究者，報(bào)告了一種基于圖神經(jīng)網(wǎng)絡(luò)(GNN)的方法，來(lái)實(shí)現(xiàn)中尺度晶體結(jié)構(gòu)和原子級(jí)性能之間的直接轉(zhuǎn)換，強(qiáng)調(diào)結(jié)構(gòu)缺陷的影響。研究者的端到端方法，在預(yù)測(cè)具有不同缺陷的多個(gè)系統(tǒng)的原子應(yīng)力和勢(shì)能方面，具有良好的性能和通用性。此外，該方法還精確地捕捉了嚴(yán)格遵守物理規(guī)律的導(dǎo)數(shù)性質(zhì)，再現(xiàn)了在不同邊界條件下的性質(zhì)演化。通過(guò)結(jié)合遺傳算法，研究者設(shè)計(jì)了具有最佳全局特性和目標(biāo)局部模式的從頭原子結(jié)構(gòu)。該方法將顯著提高在結(jié)構(gòu)缺陷條件下評(píng)估原子行為的效率，并加快細(xì)觀層面的設(shè)計(jì)過(guò)程。

參考文獻(xiàn)：

Yang, Z., Buehler, M.J. Linking atomic structural defects to mesoscale properties in crystalline solids using graph neural networks.?npj Comput Mater?8, 198 (2022). https://doi.org/10.1038/s41524-022-00879-4

原文鏈接：

https://www.nature.com/articles/s41524-022-00879-4