Chem. Sci.: AIQM2-超越DFT的有机反应模拟

AIQM2不久前发表在Chem. Sci.上（曾出现在热门文章合集里！）。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Aitomistic Hub上最常用的方法之一（Aitomistic Hub集成了智能助手Aitomia，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。

AIQM2采用了差值学习（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，*我们发现他们开发的第一代AIQM1***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（虽然对过渡态的计算精度尚不理想），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采用B3LYP-D3/6-31G*方法研究，并发表于JACS。

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。

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：

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UAIQM平台（参见AIQM模型综述）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。

AIQM2目前已成功应用于700多个原子体系的构型优化，以及其他分子性质的预测，比如高效生成准确的红外光谱（IR）等。AIQM2已在开源软件MLatom中正式发布。该软件提供了详尽、全面的使用教程。