比量子化学方法快六个数量级，一种基于绝热状态的绝热人工神经网络方法，可加速对偶氮苯衍生物及此类分子的模拟

光诱导化学过程在自然界中无处不在，并具有广泛的技术应用。例如，光异构化可以使具有光可切换支架的药物被光激活。原则上，具有所需光物理特性（如高异构化量子产率）的光开关，可以通过反应模拟的虚拟筛选来识别。

然而在实践中，这些模拟很少用于筛选，因为它们需要数百条轨迹和昂贵的量子化学方法来解释非绝热激发态效应。

在这里，哈佛大学与麻省理工学院的研究人员，开发了一种基于绝热状态的绝热人工神经网络（DANN），用于加速对偶氮苯衍生物及此类分子的模拟。该网络比用于训练的量子化学方法快六个数量级。DANN 可转移到训练集之外的偶氮苯分子，预测与实验相关的未见物种的量子产率。

研究人员使用该模型虚拟筛选 3100 个假设分子，并识别具有高预测量子产率的「新物种」。使用高精度非绝热动力学确认模型预测。其结果为快速准确地虚拟筛选光活性化合物铺平了道路。

该研究以「 Excited state non-adiabatic dynamics of large photoswitchable molecules using a chemically transferable machine learning potential」为题，于 2022 年 6 月 15 日发布在《 Nature Communications》。

论文链接： https://www.nature.com/articles/s41467-022-30999-w