秋去冬來，北風凜冽，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)！

1. Nature Communications：轉(zhuǎn)移學習增強了高定向氧化石墨烯納米通道的水致能發(fā)電能力

從人工納米通道內(nèi)的自發(fā)水流中獲取能量，是滿足快速發(fā)展的人類社會可持續(xù)電力需求的一種有前途的途徑。然而，大規(guī)模的納米通道集成以及多參數(shù)耦合，對發(fā)電的限制影響仍然是宏觀應用面臨的巨大挑戰(zhàn)。在此，為了解決這一挑戰(zhàn)，來自清華大學的Huhu Cheng & Liangti Qu等研究者采用旋轉(zhuǎn)凍鑄法制備了具有集成二維納米通道的長范圍(1~20 cm)有序氧化石墨烯組裝骨架。該結(jié)構(gòu)能促進通道內(nèi)水的自發(fā)吸收和定向傳輸，產(chǎn)生可觀的電能。研究者采用遷移學習策略解決了有限實驗數(shù)據(jù)下復雜的多參數(shù)耦合問題，提供了高精度的性能優(yōu)化，有效地指導了二維水流賦能發(fā)電機的設(shè)計。發(fā)電機組可可控地產(chǎn)生~2.9 V電壓或~16.8 μA電流。通過將多個器件串聯(lián)起來，可實現(xiàn)~12v或~83 μA的高輸出。

參考文獻：

Yang, C., Wang, H., Bai, J.?et al.?Transfer learning enhanced water-enabled electricity generation in highly oriented graphene oxide nanochannels.?Nat Commun?13, 6819 (2022). https://doi.org/10.1038/s41467-022-34496-y

原文鏈接：

https://www.nature.com/articles/s41467-022-34496-y

2.Nature Machine Intelligence：利用自適應圖神經(jīng)網(wǎng)絡(luò)預測隱形抗體的中和性

大多數(shù)天然和合成抗體是“看不見的”。也就是說，要證明它們對任何抗原的中和作用，都需要費力而昂貴的濕實驗室實驗?，F(xiàn)有的從已知抗體-抗原相互作用中學習抗體表示的方法，由于缺乏相互作用實例而不適用于不可見抗體。在此，來自中國科學院大學的Hongyan Wu &?復旦大學的Lu Lu &?上海人工智能實驗室的Shaoting Zhang等研究者提出的DeepAAI方法通過在抗體和抗原之間構(gòu)建兩個自適應關(guān)系圖，并在不可見抗體和可見抗體表示之間應用拉普拉斯平滑來學習不可見抗體表示。DeepAAI不是使用靜態(tài)蛋白質(zhì)描述符，而是“動態(tài)”地學習表示和關(guān)系圖，針對中和預測和50%抑制濃度估計等下游任務進行優(yōu)化。DeepAAI的性能，在人類免疫缺陷病毒、嚴重急性呼吸系統(tǒng)綜合癥冠狀病毒2、流感和登革熱上得到了證明。而且，關(guān)系圖具有豐富的可解釋性。抗體關(guān)系圖表示抗體中和反應的相似性，抗原關(guān)系圖表示病毒的不同變體之間的關(guān)系。因此，研究者推薦針對這些病毒新變種的可能的廣譜抗體。

參考文獻：

Zhang, J., Du, Y., Zhou, P.?et al.?Predicting unseen antibodies’ neutralizability via adaptive graph neural networks.?Nat Mach Intell?4, 964–976 (2022). https://doi.org/10.1038/s42256-022-00553-w

原文鏈接：

https://www.nature.com/articles/s42256-022-00553-w

3.npj Computational Materials：基于機器學習的高熵合金高溫屈服強度發(fā)現(xiàn)智能框架

耐高溫高熵合金(RHEAs)，具有顯著的高溫屈服強度，具有作為燃氣渦輪發(fā)動機高性能材料的潛力。從實驗上探索巨大的RHEA組成空間是具有挑戰(zhàn)性的，迄今為止，這一空間的只有一小部分被探索過。在此，來自美國CFD研究公司的Stephen A. Giles &Debasis Sengupta等研究者，展示了最先進的機器學習框架與優(yōu)化方法相結(jié)合的發(fā)展，可以智能地探索廣闊的成分空間，并推動搜索朝著提高高溫屈服強度的方向發(fā)展。與最先進的方法相比，研究者的屈服強度模型，具有顯著提高的預測精度，并通過使用重復k倍交叉驗證提供了固有的不確定性量化。在建立和驗證一個魯棒屈服強度預測模型的基礎(chǔ)上，利用該耦合框架發(fā)現(xiàn)具有優(yōu)異高溫屈服強度的RHEA。研究者證明了，RHEA組合物可以定制，以在特定溫度下具有最大屈服強度。

參考文獻：

Giles, S.A., Sengupta, D., Broderick, S.R.?et al.?Machine-learning-based intelligent framework for discovering refractory high-entropy alloys with improved high-temperature yield strength.?npj Comput Mater?8, 235 (2022). https://doi.org/10.1038/s41524-022-00926-0

原文鏈接：

https://www.nature.com/articles/s41524-022-00926-0

4.npj Computational Materials：基于深度生成模型的2D材料數(shù)據(jù)驅(qū)動發(fā)現(xiàn)

高效的生成具有良好穩(wěn)定性的候選晶體結(jié)構(gòu)的算法，在數(shù)據(jù)驅(qū)動材料的發(fā)現(xiàn)中起著關(guān)鍵作用。在此，來自丹麥技術(shù)大學的Peder Lyngby等研究者展示了晶體擴散變分自編碼器(CDVAE)能夠生成高化學和結(jié)構(gòu)多樣性的二維(2D)材料，形成能量反映訓練結(jié)構(gòu)。具體來說，研究者在2615個二維材料上訓練CDVAE，凸包以上能量ΔHhull?< 0.3 eV/atom，并使用密度泛函理論(DFT)生成5003個材料。研究者還通過訓練結(jié)構(gòu)的系統(tǒng)元素替換生成了14192個新晶體。研究者發(fā)現(xiàn)生成模型和晶格裝飾方法是互補的，產(chǎn)生的材料具有相似的穩(wěn)定性，但晶體結(jié)構(gòu)和化學成分非常不同。研究者總共發(fā)現(xiàn)了11630種預測的新2D材料，其中8599種材料的種子結(jié)構(gòu)為ΔHhull?< 0.3 eV/原子，而2004種材料在凸包的50 meV范圍內(nèi)，有可能被合成。所有材料的弛豫原子結(jié)構(gòu)都可在開放的計算二維材料數(shù)據(jù)庫(C2DB)中獲得。該工作建立了CDVAE作為一個高效和可靠的晶體生成機器，并顯著擴展了二維材料的空間。

參考文獻：

Lyngby, P., Thygesen, K.S. Data-driven discovery of 2D materials by deep generative models.?npj Comput Mater?8, 232 (2022). https://doi.org/10.1038/s41524-022-00923-3

原文鏈接：

https://www.nature.com/articles/s41524-022-00923-3

5.JACS：水三聚體的扭轉(zhuǎn)隧道劈裂

在此，來自中國科學院大連化學物理研究所的Dong H. Zhang & 北京大學的Xin-Zheng Li等研究者，利用核的全維量子方法和新的第一性原理水勢，證明了水三聚體中的扭轉(zhuǎn)隧道劈裂可以以高達1 cm-1的精度重現(xiàn)。研究者通過量化了非相鄰阱間核量子態(tài)的耦合常數(shù)，并證明了它們是譜中四分分裂能級從1:2:1的間距中移動的主要原因。這證明了使用簡化模型(如Hückel模型)處理的局限性，并強調(diào)了該系統(tǒng)中量子相互作用的非局域性質(zhì)。通過這種從頭開始的努力，研究者檢驗了所開發(fā)的水勢的品質(zhì)，并提供了一個嚴格的方案，以前所未有的精度破譯了實驗光譜，從而適用于更一般的系統(tǒng)。

參考文獻：

Yu-Cheng Zhu, Shuo Yang, Jia-Xi Zeng, Wei Fang, Ling Jiang, Dong H. Zhang, and Xin-Zheng Li. Torsional TunnelingSplitting in a Water Trimer.?Journal of the American ChemicalSociety?Article ASAPDOI: 10.1021/jacs.2c09909

原文鏈接：

https://pubs.acs.org/doi/10.1021/jacs.2c09909