AI自主完成计算化学任务已不再是遥不可及的梦想，而是正在发生的现实。很快，大多数此类计算都将由AI完成。

large_Weixin Image_20250821122627.png

medium_Weixin Image_20250821122627.png

small_Weixin Image_20250821122627.png

thumbnail_Weixin Image_20250821122627.png

Weixin Image_20250821122627.png

在我们的演示案例中，用户只需在Aitomistic Hub平台上向Aitomia发出指令，要求计算乙烯与1,3-丁二烯发生Diels-Alder反应的反应能量和热力学数据。令人称奇的是，Aitomia无需任何反应物或产物的初始坐标信息，就能从零开始完成全部计算。

large_Weixin Image_20250821122619.png

medium_Weixin Image_20250821122619.png

small_Weixin Image_20250821122619.png

thumbnail_Weixin Image_20250821122619.png

Weixin Image_20250821122619.png

仅用单个CPU、耗时5分钟，Aitomia就通过我们最先进的AIQM2模型，输出了精确的分子构型和能量计算结果。而同样的任务，我们的专业团队成员需要手动设置所有相关物质的初始xyz文件，进行数据分析和计算，耗时超过20分钟——虽然结果相同，但人力成本高出许多。

这种能处理日益复杂化学模拟的“深度思考”模式，已在Aitomistic Hub平台（https://aitomistic.xyz）面向特定用户开放。更简单的单任务工作流（如单分子的热化学和光谱计算）自2025年5月11日起已向所有注册用户免费开放。

这种能处理日益复杂化学模拟的“深度思考”模式，已在Aitomistic Hub平台面向特定用户开放。

Aitomia：5分钟实现全自动反应模拟计算

small_1755612058503.jpg

thumbnail_1755612058503.jpg

1755612058503.jpg

不久前发表在Chem. Sci.上（曾出现在

里！）。这一机器学习方法凭借着低成本、媲美传统方案的精度以及卓越的稳健性，在有机反应模拟上超越了主流DFT方法。该方法可用于过渡态结构搜索和反应动力学研究，并且常常能达到化学精度。AIQM2也是我们原子模拟平台

上最常用的方法之一（Aitomistic Hub集成了智能助手

，并且可以直接通过浏览器进行在线原子模拟）。

AIQM2的精度与DFT方法相当，在某些情况下甚至能接近金标准的耦合簇精度。而其运算速度比DFT快几个数量级——例如对典型周环反应进行1000次分子动力学模拟，DFT需要耗费160个CPU年，而AIQM2仅需一夜即可完成。更重要的是，AIQM2能为预测结果提供误差范围，这一特性让研究者能直观评估模拟结果的可靠性。相比之下，传统DFT方法缺乏此类误差指示，必须通过与更高精度的参考数据对比，才能确定模拟结果的准确性。

small_1755612072429.jpg

thumbnail_1755612072429.jpg

1755612072429.jpg

（delta-learning）方法，通过用一组神经网络对流行的半经验量子力学方法GFN2-xTB（更准确地说，是其修改版本）的预测结果进行校正。这种设计能够在多数情况下将GFN2-xTB的精度提升至接近耦合簇水平，同时也保留半经验方法固有的稳健性。由于计算成本过高，直接采用耦合簇精度的模拟往往难以实现。当前日益流行的纯机器学习势能面方法虽具普适性，但应用于远离训练集的场景时，存在明显的稳健性问题。AIQM2将快速的半经验方法与神经网络相结合，其预测速度远超传统DFT方法。并且我们的基准测试表明，其精度与DFT相当甚至在某些情况下更优。

无需我们多言——正如我们论文的一位审稿人所评价的：

“在实际使用和测试多种主流机器学习势能面方法（MLPs）后，

相较于其他MLPs展现出更优异的普适性和可靠性。

特别值得注意的是，尽管不同研究团队已开发出若干通用型MLPs，但除了最新发布的AIMNet2和AIQM2外，几乎所有方法都难以应用于反应过程及过渡态结构研究。AIQM系列对过渡态性质的预测表现尤为突出。”

审稿人提到的AIQM1是AIQM系列的第一代方法（虽然

），正是这一局限性促使我们开发了AIQM2来改进这个问题。

这种集快速、精确与稳健于一体的独特优势，使我们能够通过大规模下坡准经典轨迹模拟，修正一些代表性反应中的过渡态后产物分布。这些代表性反应先前由该领域的专家

thumbnail_p6.gif

p6.gif

small_1755612096869.jpg

thumbnail_1755612096869.jpg

1755612096869.jpg

我们发现，与DFT方法相比，AIQM2在能垒和反应能计算上误差显著降低：AIQM2相对于耦合簇基准的误差控制在2 kcal/mol以内，而DFT对极小值点的误差高达约10 kcal/mol。GFN2-xTB表现更差，误差约25 kcal/mol，甚至未能找到其中的一个过渡态。这一结果表明，当前广泛采用的组合方法，即先用低精度方法进行初步反应或构象搜索，再用高精度方法验证，可能会遗漏许多关键结构。而AIQM2无需这种分步探索，可直接提供高质量的计算结果。

此外，AIQM2的高效计算能力，使我们能够通过增加轨迹数量（从原JACS研究中的约100条提升至1000条）和使用更小的时间步长（从原JACS研究的1.0 fs减小至0.1fs）来提升模拟精度。这对确保总能量守恒至关重要。

small_1755612111577.jpg

thumbnail_1755612111577.jpg

1755612111577.jpg

如果您需要更全面的基准测试数据，我们在论文中提供了详细分析。下图展示了反应能垒的对比结果：

small_1755612121195.jpg

thumbnail_1755612121195.jpg

1755612121195.jpg

AIQM2在由CHNO元素组成的中性闭壳层有机分子体系中表现优异，同时也可适用于带电体系和自由基。该方法已通过

）扩展至更多元素体系，其中AIQM2对应的模型版本为UAIQMGFN2xTB*@cc（20240106版）。事实上，该模型自2024年1月6日就已存在，直至近期才正式发表。从该综述可知，还有更多已完成开发的模型正待发表。

，以及其他分子性质的预测，比如

large__ ChemSci-social-media.jpg

medium__ ChemSci-social-media.jpg

small__ ChemSci-social-media.jpg

thumbnail__ ChemSci-social-media.jpg

_ ChemSci-social-media.jpg

该方法可用于过渡态结构搜索和反应动力学研究，并且常常能达到化学精度。

Chem. Sci.: AIQM2-超越DFT的有机反应模拟

动态课程将由活跃在国际学术前沿的权威专家讲授。课程内容将根据人工智能、原子模拟和计算化学领域的最新进展保持动态更新，助您掌握前沿技术与动态。您可以自由安排学习进度，随时获取前沿知识（本课程内容为英文）。

large_Online Course_03.jpg

medium_Online Course_03.jpg

small_Online Course_03.jpg

thumbnail_Online Course_03.jpg

Online Course_03.jpg

：团队将全力解答用户提问，回复时间、内容数量等服务细则将在后续推出。

高级订阅用户名额限量开放，立即预约抢占资格。

本课程现已开放预注册！课程将在预注册人数达到预期后正式启动。此课程为付费内容，具体费用请参见定价详情。

large_1755608886533.jpg

medium_1755608886533.jpg

small_1755608886533.jpg

thumbnail_1755608886533.jpg

1755608886533.jpg

如何预注册？三步轻松完成预注册：

2. 📂 进入课程：点击左侧导航栏「课程图标」。

medium_1755609014114.jpg

small_1755609014114.jpg

thumbnail_1755609014114.jpg

1755609014114.jpg

3. 📝 选择课程：浏览并选定您想预注册的课程，点击「

medium_1755609029196.jpg

small_1755609029196.jpg

thumbnail_1755609029196.jpg

1755609029196.jpg

medium_1755609048579.jpg

small_1755609048579.jpg

thumbnail_1755609048579.jpg

1755609048579.jpg

课程将在预注册人数达到预期后正式启动。

Aitomistic计算化学动态课程​：开放预注册​​！

近期，国际知名物理化学期刊《J Phys Chem A》发表了我们与厦门大学的合作研究工作。该工作探讨了如何基于AIQM实现高精度、高效率的红外光谱模拟计算，展示了人工智能增强量子化学计算的最新进展。该方法目前已被集成在MLatom的

large_JPCA_cn_20250730-封面.jpg

medium_JPCA_cn_20250730-封面.jpg

small_JPCA_cn_20250730-封面.jpg

thumbnail_JPCA_cn_20250730-封面.jpg

JPCA_cn_20250730-封面.jpg

化学材料研究通常会涉及复杂的分子结构，红外光谱是解析化学结构的重要工具。通过量子化学方法如DFT等解析分子的红外光谱，往往耗时较长，计算成本高昂。而采用成本较低的半经验方法，则存在计算精度不足的问题。为了解决这一困境，我们引入了一系列全新的计算方法，即通用型机器学习AIQM方法。

通过与7000多个实验光谱数据比较，我们发现AIQM系列方法，尤其是最新开发的AIQM2方法，其红外光谱的模拟结果可以达到DFT方法的精度，而计算耗时仅与半经验方法GFN2-xTB相当，实现了更加高效快捷的气相红外光谱模拟。

large_slides20250716_04.jpg

medium_slides20250716_04.jpg

small_slides20250716_04.jpg

thumbnail_slides20250716_04.jpg

slides20250716_04.jpg

为了增强AIQM方法计算结果的可解释性，我们进一步引入经验参数，修正了分子振动频率，使模拟的红外光谱更好地贴合实验数据。

large_slides20250716_05.jpg

medium_slides20250716_05.jpg

small_slides20250716_05.jpg

thumbnail_slides20250716_05.jpg

slides20250716_05.jpg

和演示脚本，轻松完成上述计算案例。

large_slides20250716_06.jpg

medium_slides20250716_06.jpg

small_slides20250716_06.jpg

thumbnail_slides20250716_06.jpg

slides20250716_06.jpg

在线平台，体验高效便捷的红外光谱模拟计算。仅需三步（上传分子结构-确认分子结构-点击红外光谱按钮），系统就会为您自动执行AIQM2量子化学计算。Aitomistic Hub会实时显示计算结果，包括振动频率和强度等常规量子化学计算的完整数据。

值得一提的是，我们的计算流程对初始分子构型具有极强的容错能力，即使是明显不合理的分子构型（如下面视频演示的线性的己醇构型），AIQM2也能成功完成几何优化，得到正确的分子构型，然后再进行频率分析和红外光谱计算。

对于需要深入分析红外光谱计算结果的研究者，Aitomistic Hub还提供了Jupyter Lab集成环境。在这里，用户可以直观地观察红外光谱中每个特征峰对应的分子振动模式。

此外，您还可以在Aitomistic Hub上，通过与我们的人工智能助手Aitomia对话，完成红外光谱的模拟。如以下视频所展示，Aitomia在收到我们的需求后，自动完成了己醇分子建模、结构优化、频率计算和红外光谱模拟，计算结果与实验数据高度吻合。

如果您对上述计算操作有任何疑问，可以通过以下方式，查阅我们的

该工作探讨了如何基于AIQM实现高精度、高效率的红外光谱模拟计算，展示了人工智能增强量子化学计算的最新进展。

JPCA：基于AIQM的高精度、低成本红外光谱模拟

应广大用户需求，我们很高兴地宣布，Pavlo O. Dral教授2025年7月主讲的《计算化学与人工智能》在线课程现已面向学术用户免费开放。🎓

📚首期课程（2024年6月班）广受好评，有学员这样评价：

“Dral博士的课程精彩呈现了化学领域机器学习的基本概念！”

2. 📂 进入课程：登录后点击左侧导航栏的课程图

large_WechatIMG1199.jpg

medium_WechatIMG1199.jpg

small_WechatIMG1199.jpg

thumbnail_WechatIMG1199.jpg

WechatIMG1199.jpg

3. 📝 立即申请：点击页面上的“Apply”按钮即可报名

large_WechatIMG1198.jpg

medium_WechatIMG1198.jpg

small_WechatIMG1198.jpg

thumbnail_WechatIMG1198.jpg

WechatIMG1198.jpg

✅ 只要符合条件（特别是使用高校邮箱等可验证的学术身份注册），申请通常会在24小时内获批。

若您觉得课程有帮助，欢迎通过contact@aitomistic.com提交：

课程反馈、改进建议、学习心得

也诚邀您将本课程推荐给可能受益的同事、学生或朋友。感谢您与我们一起推动学术共同体发展！

large_Online Course_02(1).jpg

medium_Online Course_02(1).jpg

small_Online Course_02(1).jpg

thumbnail_Online Course_02(1).jpg

Online Course_02(1).jpg

Pavlo O. Dral教授2025年7月主讲的《计算化学与人工智能》在线课程现已面向学术用户免费开放。

计算化学与人工智能课程：限时对学术用户免费开放！

想做计算化学模拟却苦于复杂的代码和有限的计算资源？想做实验却因缺乏理论指导而迷失方向？别担心，你的得力助手来了！

Aitomia（拟核智元）：一款用户友好的智能化学模拟助手

，即将闪亮登场！它集成了人工智能驱动的原子尺度模拟与量子化学专业知识，旨在帮助你完成复杂化学模拟的设置、运行和结果分析。Aitomia基于成熟的

，加速几何结构优化、光谱模拟、分子动力学模拟等多种功能。

large_image3.jpg

medium_image3.jpg

small_image3.jpg

thumbnail_image3.jpg

image3.jpg

Aitomia是首个面向原子尺度模拟的云端智能助手，现已在

云计算平台正式发布！立即注册即可免费体验。在下方演示视频中，用户通过中文询问“己醇的分子结构是什么”，Aitomia即刻响应并在交互式界面中展示分子三维结构。当用户进一步要求计算红外光谱时，Aitomia凭借其核心AIQM技术，在极短时间内便生成了与实验数据高度吻合的光谱图。

如果您希望本地安装Aitomia（及其他功能）以确保计算数据的完全私密性，我们同样提供相关方案。如有任何疑问，欢迎通过contact@aitomistic.com联系我们。您还可以订阅Aitomistic的最新动态，及时获取Aitomia的版本更新、功能升级及其他相关资讯。

large_thumbnail_2_01.png

medium_thumbnail_2_01.png

small_thumbnail_2_01.png

thumbnail_thumbnail_2_01.png

thumbnail_2_01.png

现已在Aitomistic Hub云计算平台正式发布！立即注册即可免费体验。

Aitomia：人工智能驱动的原子和量子化学模拟的智能助手

通用机器学习势在激发态中的应用是可能的吗？这样的势能将成为重要突破，使先进光电材料设计等应用领域成为可能。

到目前为止，已经有很多适用于基态模拟的通用机器学习势，如ANI-1ccx, MACE-OFF, 和我们研发的

，其中最早的可以追溯到2017年。但是8年过去了，仍然没有可以用于激发态的通用机器学习势。

所以关键的难题到底是什么？在这里我们想告诉大家，这并非不可能。我们构建了有史以来

它可以在毫秒内实现近似TD-DFT精度的激发态模拟，明显快于传统方法。在此，我们向您展示于

平台的实时演示，可见，模拟过程在极短的时间内完成了。

如果您也对此感兴趣，欢迎登录Aitomistic Hub平台上的Jupiter Notebook来亲自体验（

想要更为深入的解析吗？想要完整教程或线上答疑的机会吗？心动不如行动，欢迎留下你的想法！

不得不说，新的方法仍有进一步的探索空间。这是任何技术创新的必经之路，但是，面对这个曾经的开放性难题，OMNI-P2x的诞生，依然是强有力的答案。

large_thumbnail_2_04.png

medium_thumbnail_2_04.png

small_thumbnail_2_04.png

thumbnail_thumbnail_2_04.png

thumbnail_2_04.png

它可以在毫秒内实现近似TD-DFT精度的激发态模拟，明显快于传统方法。

OMNI-P2x: 毫秒级TD-DFT精度激发态模拟

我们的研究人员近期发表在《npj Computational Materials》的

提出了一种高效的机器学习协议，用于加速轨迹面跳跃动力学模拟，同时解决了激发态机器学习中的多个关键难题。该协议引入了一种新的基于多态学习和对圆锥交叉附近关键区域加速采样的机器学习原子间势。所有方法以及端到端主动学习均集成于

分子激发态的量子化学模拟对于理解光化学与光物理过程至关重要，但这类计算非常昂贵，尤其是在进行非绝热动力学模拟时。机器学习通过替代昂贵的量子化学计算成为解决这一问题的理想工具，然而，由于激发态本身的复杂性，激发态机器学习的发展远远落后于基态机器学习（参见我们在

large_toc-graph-with_text.webp

medium_toc-graph-with_text.webp

small_toc-graph-with_text.webp

thumbnail_toc-graph-with_text.webp

toc-graph-with_text.webp

针对激发态机器学习的核心挑战，这项历经八年深度研究的成果提出了全面而稳健的解决方案。其核心是多态学习模型MS-ANI，该模型能够以前所未有的精度学习多种分子的激发态。其关键思想是将“电子态编号”作为输入特征之一，与ANI原子环境向量拼接后输入对应元素类型的神经网络。值得注意的是，该模型学习激发态的准确性甚至优于或相当于学习基态能量的准确性，并且激发态能量信息还能提升基态预测的质量。

small_image-1.webp

thumbnail_image-1.webp

image-1.webp

要训练适用于非绝热动力学的稳健势能模型，一个关键要素是在圆锥交叉附近区域实现加速采样。我们在这项工作中通过gapMD 实现了这一点。gapMD 可以在需要时利用相邻态之间的能量梯度差来传播轨迹，从而增强对低能隙区域的采样。

small_image-2.webp

thumbnail_image-2.webp

image-2.webp

结合上述技术，我们实现了端到端主动学习框架，用于生成机器学习模型以执行非绝热动力学模拟。

small_image-3.webp

image-3.webp

该协议引入了一种新的基于多态学习和对圆锥交叉附近关键区域加速采样的机器学习原子间势。

新闻

Aitomia：5分钟实现全自动反应模拟计算

Chem. Sci.: AIQM2-超越DFT的有机反应模拟

Aitomistic计算化学动态课程：开放预注册！

JPCA：基于AIQM的高精度、低成本红外光谱模拟

计算化学与人工智能课程：限时对学术用户免费开放！

Aitomia：人工智能驱动的原子和量子化学模拟的智能助手

OMNI-P2x: 毫秒级TD-DFT精度激发态模拟

npj Comput. Mater.：高效机器学习协议加速轨迹面跳跃动力学

新闻

Aitomia：5分钟实现全自动反应模拟计算

Chem. Sci.: AIQM2-超越DFT的有机反应模拟

Aitomistic计算化学动态课程​：开放预注册​​！

JPCA：基于AIQM的高精度、低成本红外光谱模拟

计算化学与人工智能课程：限时对学术用户免费开放！

Aitomia：人工智能驱动的原子和量子化学模拟的智能助手

OMNI-P2x: 毫秒级TD-DFT精度激发态模拟

npj Comput. Mater.：高效机器学习协议加速轨迹面跳跃动力学

Aitomistic计算化学动态课程：开放预注册！