近期，深圳职业技术大学李竞白副教授课题组与美国东北大学史蒂文·洛佩斯（Steven Lopez）教授合作，开发了一种多尺度机器学习光动力学模拟的方法 [1]。

他们利用深度学习神经网络，加速分子聚集体激发态动力学的计算模拟过程，与传统基于量子力学计算的非绝热动力学方法相比，速度最高可提升 130 万倍。

并且，实现了精准预测聚集诱导发光（AIE，Aggregation-induced emission）分子的荧光增强系数，与实验结果一致。

在此基础上，该方法提供了准确丰富的激发态分子结构信息，在原子分辨级别上揭示了分子聚集体通过限制分子内振动，抑制非辐射跃迁并引发 AIE 现象的机制。

该研究通过分析激发态分子结构演化，展示了对 AIE 现象的直观认识，加深了对传统 AIE 机制的理解，为未来更理性地设计 AIE 材料提供更充分的依据和指导。

图丨李竞白（来源：李竞白）

“该方法能一定程度避免 AIE 分子设计与合成方面的反复试错，从而向 AIE 材料的理性设计迈进一步。”李竞白表示。

从更长远来看，随着理论化学与 AI for Science 的结合，有望通过展示计算化学领域的发展，进一步扩大理论与计算化学的影响力，进而创造更多理论实验相结合的新型研究范式。

与量子力学计算相比，速度提升 130 万倍

AIE 是一种光物理现象，其过程由弱光发光的有机发色团聚集成强发光。2001 年，香港科技大学唐本忠院士第一次发现，并提出 AIE 的概念，为发光材料的研究和应用开辟了新的方向。

AIE 材料在诸多领域表现出应用潜力，例如，光电器件、医学诊疗、化学传感、智能响应等。2016 年，AIE 材料纳米聚集体与其他三种纳米材料，共同被 Nature 认定为“纳米光革命”的材料 [2]。

该研究的起源要从 2022 年说起，彼时，李竞白刚回国任教。在他了解国内科研进展，与学生们讨论到 AIE 现象时，认为这是值得研究的、有意思的问题之一。此后，李竞白便开始进行该方向的文献调研。

他发现，虽然国内近年来在 AIE 方面已经有很多相关报道，但在脑海里始终有一个问题挥之不去：AIE 的本质到底是什么？

由于此前大部分的文献报道都是从实验角度出发，以在聚集体中减少的非辐射衰减作为 AIE 的解释。

基于理论化学的科研背景，李竞白始终认为其中有一些无法“自洽”的地方，为了“打破砂锅问到底”，他与团队开始了这项独立研究后的首个课题。

图丨AIE 机理示意图（来源：Chem）

然而，不可忽视的是，计算方面始终存在难度大和成本高的问题。

一方面，在时间分辨实验中，缺乏激发态分子的结构信息；另一方面，理论模拟面临着目标分子体系大、模拟时间长等挑战，导致基于传统量子力学计算的非绝热动力学方法的成本过于昂贵。

受国外团队通过引入机器学习、神经网络，来解决计算化学中的计算成本问题的启发，李竞白带领课题组研发了这项研究中的重要工具——机器学习光动力学模拟软件，名称为 PyRAI2MD（Python Rapid Artificial Intelligence Ab Initio Molecular Dynamics），以突破现有理论化学计算方法的瓶颈。

该研究结合了多种技术手段，包括量子化学计算、深度神经网络、半经验方法、分子力学方法和非绝热动力学方法。

基于此，研究了一系列经典 AIE 分子的激发态动力学，例如，六苯基噻咯（HPS，hexaphenylsilole）、四苯基噻咯（TPS，tetraphenylsilole）以及环辛四噻吩（COTh，cyclooctatetrathiophene）。

通过分析模拟中观测到的非辐射跃迁结构特征，研究人员发现，AIE 分子共轭环上碳-碳双键的扭转运动在聚集状态下受到限制，从而抑制了其非辐射衰减跃迁。

图丨 AIE 现象的分子机制研究进展（来源：Chem）

为揭示 HPS、TPS、COTh 这三个分子的非辐射跃迁机制，研究人员对气态动力学轨迹以及聚集体动力学轨迹进行模拟。值得关注的是，该团队用新方法模拟计算所得的荧光量 AIE 系数，在实验值重现上获得突破。

具体来说，实验值方面，HPS、TPS 和 COTh 的 AIE 系数分别为 255、3 和 12；而本次研究中，三个分子的 AIE 系数对应分别为 263、5 和 12。

李竞白表示，该模拟效果与实验数据高度吻合，这也很好地验证了机器学习光动力学方法的可靠性。

值得关注的是，这种新的计算方法保持速度快的同时，也保证了计算方法的精确度。

相较于常规的含时密度泛函理论（‌TDDFT，Time-dependent Density Functional Theory）计算，该方法速度最快能提升 130 万倍，同时计算精度还能保持在 1 千卡/摩尔，这也是能实现如此复杂模拟的关键之一。

结构演化对揭示分析分子激发态动力学机理非常重要。虽然在实验中获得分子结构与性能的构效关系相对容易，然而，测得分子结构随时间演化的信息却并非易事。

李竞白表示：“我们通过这种高效、高精度的计算模拟，为研究激发态动力学中的分子结构演化，提供了非常直观的研究方法。在此基础上，结合我们的实验现象，最终实现了定量研究构效关系的目标。”

此外，该研究在模拟尺寸方面也实现了突破，其所关注的不再是单一的分子体系，而是聚集体状态下的动力学过程。

在以往的研究中，激发态计算分子动力学的计算量大部分在 100 个原子以内，而该研究处理的体系最多达 1917 个原子，进一步拓展了 AIE 理论方法和处理体系的尺度。

用一年时间回答审稿人的“灵魂拷问”

李竞白具有交叉学科的科研背景，他本科毕业于郑州大学，在美国伊利诺伊理工大学化学系获博士学位，聚焦于理论计算方向。

之后，在美国东北大学化学与生物化学系史蒂文·洛佩斯（Steven Lopez）教授课题组从事博士后研究工作，并从那时起开始接触分子动力学、激发态性质的计算力学等前沿的课题。

目前，担任深圳职业技术大学霍夫曼先进材料研究院副教授，主要研究方向为高能量密度有机材料设计，光化学反应理论模拟，以及机器学习非绝热动力学方法开发。

该研究经历约一年半的时间，是李竞白独立成立课题组以来的首个课题。

该研究涉及到基于传统量子力学的量子化学计算，因此需要研究人员对反应体系的电子结构性质有一些初步的了解。在具备化学知识后，再将其转化成机器学习的形式。

该论文的投稿之路并不顺利，先后遭到了 Journal of the American Chemical Society 和 Nature Chemistry 审稿人的质疑和期刊拒稿。

在前期投稿时，审稿人提出，该模拟方法对于激发态动力学的速率具有明显的高估。

基于此，李竞白与学生一起检查代码，并与相关的文献报道进行比对，对模拟方法中的每一处细节都进行了反复的调试和改进。“得到比较理想的结果后，我们团队都比较激动。”他说。

另一位审稿人则对模型机理的可靠性和普适性再次发出“灵魂拷问”：这种方法是不是只适用于研究中的某个分子体系？是否可以真正地为 AIE 现象提供具有普适性、适用于多种不同分子类型的材料的理论支持呢？

为了解答这个问题，李竞白和团队足足用了一年时间进行准备，以扎实完善的研究成果打动了 Chem 的编辑和审稿人。回顾审稿的过程，李竞白说：“我们沉下心来，将原本研究的体系扩大，一步步打磨，最终给出了审稿人满意的答案。”

Chem 的审稿人之一认为，模拟数据与实验数据一致，从模拟中得到的细节允许真实的分子理解 AIE 的过程。

另一位审稿人则评价称：“这篇手稿为非辐射衰变机制提供了可能。这些结果是有趣的，并有望引起发光材料和光物理领域研究人员的兴趣。”

最终，相关论文以《机器学习光动力学揭示在聚集诱导发光中被阻断的非辐射机制》（Machine learning photodynamics uncover blocked non-radiative mechanisms in aggregation-induced emission）为题，发表在 Chem[1]。

深圳职业技术大学博士生王犁是第一作者，李竞白副教授和美国东北大学史蒂文·洛佩斯（Steven Lopez）教授担任共同通讯作者。

图丨相关论文（来源：Chem）

虽然该方法具有一定先进性，但目前，机器学习神经网络模型训练仍然存在挑战。该课题组希望在下个阶段的研究中，能够降低技术复杂度和操作门槛，从而让更多研究人员更容易地理解和使用该方法。

另一方面，基于神经网络使用的复杂度，其精确度还有一定的提升空间。

据了解，当下国外相关团队在进行一些新的尝试，例如新型神经网络结构、卷积神经网络以及最新比较热门的扩散模型等，但这类复杂神经网络模型的问题在于，相关训练成本比较高。

“我们希望可以在保持神经网络框架优势的同时，也能够将它的训练成本控制在一定范围内，从而扩大其应用领域。”李竞白说。

图丨气相和分子聚集体模型（来源：Chem）

此外，该研究在训练数据的采集过程方面也有一定优化空间，对于模拟新材料、新分子结构来说，除了神经网络架构的挑战，还需要进行神经网络数据训练。

他解释说道：“现有的一些方法虽然实现了部分自动化的数据采集，但是它离理想中的智能、便携、高效的训练方法还有一定距离，这也是我们未来努力的方向。”

AI for Science 为目前的科学问题带来新的观点。该研究中的理论计算光化学与机器学习的结合，正是 AI for Science 范式下催生的新领域。

以理论化学和计算化学领域为例，李竞白表示：“虽然当前量子化学计算方法在向更精确更高效发展，但计算机硬件对计算效率的制约仍不可忽视，而与 AI 结合的方法为突破计算性能提供了新的机会。”

未来，他希望开发出性能更好、成本更低、架构更简单的神经网络模型，让更多学者共同参与到该领域的研究中。

参考资料：

1.Machine learning photodynamics uncover blocked non-radiative mechanisms in aggregation-induced emission.Chem（2024）.https://doi.org/10.1016/j.chempr.2024.04.017

2.Lim, X. The nanolight revolution is coming. Nature 531, 26–28 (2016). https://doi.org/10.1038/531026a

3.https://github.com/mlcclab/PyRAI2MD-hiam

运营/排版：何晨龙