秋去冬來，北風(fēng)凜冽，科研人宅在實驗室搗鼓實驗；

寒來暑往，四季更替，計算人貓在電腦前撥弄數(shù)據(jù)！

是誰大殺西方？是誰傲視群雄？是誰睥睨天下？答案在這里！

1. Nature Communications：位錯重構(gòu)對SrTiO3陶瓷Peierls塑性的理論研究

受最近出現(xiàn)的具有意想不到的室溫位錯介導(dǎo)塑性的陶瓷和半導(dǎo)體的啟發(fā)，深入了解非金屬材料中的位錯運(yùn)動過程，變得越來越重要。在此，為了解決這一挑戰(zhàn)，來自清華大學(xué)的Chunlei Wan等研究者提出了局部失配能，以準(zhǔn)確推導(dǎo)出SrTiO3陶瓷中的Peierls?應(yīng)力和位錯過程，代替了考慮剪切面附近原子的面內(nèi)自由度，描述復(fù)雜化學(xué)鍵斷裂和再結(jié)合過程的廣義層錯(GSF)方法。特別地，研究者發(fā)現(xiàn)局域失配能具有異常的剪切依賴性，這源于Ti-O鍵的重鍵過程和晶格偶極子的反轉(zhuǎn)。此外，該方法預(yù)測了，由于晶格偶極子反轉(zhuǎn)的消失，平均失配能和培爾斯應(yīng)力的降低，SrTiO3中的氧空位可以促進(jìn)位錯的形核和激活，并提高斷裂韌性。這項工作，為非金屬材料的位錯過程提供了前所未有的見解，這可能對調(diào)整塑性和探索未知的韌性成分帶來啟示。

參考文獻(xiàn)：

Li, Y., Liu, X., Zhang, P.?et al.?Theoretical insights into the Peierls plasticity in SrTiO3?ceramics via dislocation remodelling.?Nat Commun?13, 6925 (2022). https://doi.org/10.1038/s41467-022-34741-4

原文鏈接：

https://www.nature.com/articles/s41467-022-34741-4

2.Nature Communications：機(jī)器學(xué)習(xí)分子激發(fā)態(tài)的Hohenberg-Kohn圖

密度泛函理論的Hohenberg-Kohn定理，建立了一個多體系統(tǒng)的基態(tài)電子密度和外部電位之間的雙射的存在。這保證了從電子密度到所有相關(guān)觀測值(包括電子激發(fā)態(tài)能)的一一對應(yīng)映射。含時密度泛函理論(TDDFT)提供了一個解決這一映射的框架；然而，實際TDDFT計算中固有的近似，以及它們的計算費(fèi)用，促使尋找一個更便宜、更直接的電子激勵映射。在此，來自上海紐約大學(xué)的William J. Glover等研究者表明，通過機(jī)器學(xué)習(xí)確定密度和能量泛函可以繞過TDDFT的方程。研究者介紹的框架用于第一次使用機(jī)器學(xué)習(xí)泛函數(shù)，對丙二醛進(jìn)行激發(fā)態(tài)分子動力學(xué)模擬，并正確捕獲其激發(fā)態(tài)分子內(nèi)質(zhì)子轉(zhuǎn)移的動力學(xué)，從而深入了解如何利用機(jī)械約束來控制該分子中的質(zhì)子轉(zhuǎn)移反應(yīng)。這一發(fā)展，為使用機(jī)器學(xué)習(xí)泛函進(jìn)行高效激發(fā)態(tài)動力學(xué)模擬打開了大門。

參考文獻(xiàn)：

Bai, Y., Vogt-Maranto, L., Tuckerman, M.E.?et al.?Machine learning the Hohenberg-Kohn map for molecular excited states.?Nat Commun?13, 7044 (2022). https://doi.org/10.1038/s41467-022-34436-w

原文鏈接：

https://www.nature.com/articles/s41467-022-34436-w

3.Nature Machine Intelligence：利用自監(jiān)督圖像表示學(xué)習(xí)框架對分子性質(zhì)和藥物靶點進(jìn)行精確預(yù)測

藥物的臨床療效和安全性，取決于其分子性質(zhì)和在人體中的靶點。然而，對人類，甚至動物模型中所有化合物的蛋白質(zhì)組范圍的評估，是極具挑戰(zhàn)性的。在此，來自美國凱斯西儲大學(xué)的FeixiongCheng等研究者，提出了一個名為ImageMol的無監(jiān)督預(yù)訓(xùn)練深度學(xué)習(xí)框架，對1000萬個未標(biāo)記的類藥物生物活性分子進(jìn)行預(yù)訓(xùn)練，以預(yù)測候選化合物的分子目標(biāo)。ImageMol框架的設(shè)計是基于像素中分子的局部和全局結(jié)構(gòu)特征，從未標(biāo)記的分子圖像中預(yù)訓(xùn)練化學(xué)表示。研究者在51個基準(zhǔn)數(shù)據(jù)集中展示了ImageMol在評估分子特性(即藥物的代謝、腦穿透和毒性)和分子靶譜(即β -分泌酶和激酶)方面的高性能。ImageMol在國家推進(jìn)轉(zhuǎn)化科學(xué)中心的13個高通量實驗數(shù)據(jù)集中顯示了識別抗-SARS-CoV-2?分子的高精度。通過ImageMol，研究者確定了可能治療COVID-19的候選臨床3C-類蛋白酶抑制劑。

參考文獻(xiàn)：

Zeng, X., Xiang, H., Yu, L.?et al.?Accurate prediction of molecular properties and drug targets using a self-supervised image representation learning framework.?Nat Mach Intell?4, 1004–1016 (2022). https://doi.org/10.1038/s42256-022-00557-6

原文鏈接：

https://www.nature.com/articles/s42256-022-00557-6

4.Nature Machine Intelligence：閉合-連續(xù)時間神經(jīng)網(wǎng)絡(luò)

連續(xù)時間神經(jīng)網(wǎng)絡(luò)是一類機(jī)器學(xué)習(xí)系統(tǒng)，可以處理時空決策任務(wù)的表示學(xué)習(xí)。這些模型，通常用連續(xù)微分方程表示。然而，當(dāng)它們被部署到計算機(jī)上時，它們的表達(dá)能力被數(shù)值微分方程求解器所限制。這種限制明顯地減緩了對許多自然物理現(xiàn)象(如神經(jīng)系統(tǒng)動力學(xué))的擴(kuò)展和理解。理想情況下，人們可以通過求解封閉形式的給定動力系統(tǒng)來繞過這個瓶頸。然而，這是眾所周知的棘手問題。在此，來自美國麻省理工學(xué)院的Ramin Hasani等研究者證明，神經(jīng)元和突觸(自然和人工神經(jīng)網(wǎng)絡(luò)的組成部分)之間的相互作用是有可能接近的，它們是由封閉的液體時間常數(shù)網(wǎng)絡(luò)高效地構(gòu)建的。為此，研究者計算了液體時間常數(shù)動力學(xué)中出現(xiàn)的一個積分解的緊密邊界近似解，該積分解迄今為止還沒有已知的封閉解。這種封閉解影響了連續(xù)時間和連續(xù)深度神經(jīng)模型的設(shè)計。例如，由于時間以封閉形式顯式地出現(xiàn)，這個公式放松了對復(fù)雜數(shù)值求解器的需要。因此，與基于微分方程的對應(yīng)模型相比，研究者得到的模型在訓(xùn)練和推理方面要快1到5個數(shù)量級。更重要的是，與基于常微分方程的連續(xù)網(wǎng)絡(luò)相比，與其他深度學(xué)習(xí)實例相比，閉型網(wǎng)絡(luò)具有顯著的擴(kuò)展性。最后，由于這些模型來源于液體網(wǎng)絡(luò)，與先進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)模型相比，它們在時間序列建模中表現(xiàn)出了良好的性能。

參考文獻(xiàn)：

Hasani, R., Lechner, M., Amini, A.?et al.?Closed-form continuous-time neural networks.?Nat Mach Intell?4, 992–1003 (2022). https://doi.org/10.1038/s42256-022-00556-7

原文鏈接：

https://www.nature.com/articles/s42256-022-00556-7

5.npj Computational Materials：指導(dǎo)晶圓尺度二維材料MOCVD生長的計算框架

利用化學(xué)氣相沉積(CVD)工藝，對二維(2D)材料進(jìn)行可復(fù)制的晶圓尺度生長，并對其性能進(jìn)行精確控制，這是具有挑戰(zhàn)性的，因為缺乏對跨越多個長度尺度的生長機(jī)制的了解，以及合成對生長條件細(xì)微變化的敏感性。在此，來自美國阿拉巴馬大學(xué)的Kasra Momeni等研究者，建立了一個多尺度計算框架，將計算流體動力學(xué)(CFD)、相場(PF)和反應(yīng)分子動力學(xué)(MD)耦合起來，稱為CPM模型，并進(jìn)行了實驗驗證。對金屬-有機(jī)CVD (MOCVD)生長的WSe2模型材料的理論預(yù)測和徹底的實驗測量之間的相關(guān)性，揭示了這種計算方法的全部力量。在計算分析的指導(dǎo)下，利用MOCVD合成了大面積均勻的二維材料。該計算框架，為精確控制覆蓋范圍、形貌和性能的晶圓尺度二維材料的合成提供了基礎(chǔ)，這是制造電子、光電子和量子計算器件的關(guān)鍵能力。

參考文獻(xiàn)：

Momeni, K., Ji, Y., Nayir, N.?et al.?A computational framework for guiding the MOCVD-growth of wafer-scale 2D materials.?npj Comput Mater?8, 240 (2022). https://doi.org/10.1038/s41524-022-00936-y

原文鏈接：

https://www.nature.com/articles/s41524-022-00936-y