【摘要】 时至今日，计算化学早已不仅仅是实验的附属品了，它随着计算水平的逐步提升和理论框架的逐步完善，现在，越来越多的纯计算可以单独发在以往的顶刊之上了。

时至今日，计算化学早已不仅仅是实验的附属品了，它随着计算水平的逐步提升和理论框架的逐步完善，现在，越来越多的纯计算可以单独发在以往的顶刊之上了。

 

1.Nature Communications：跨属性深度迁移学习框架增强对小材料数据的预测分析

 

 

人工智能(AI)和机器学习(ML)，已越来越多地应用于材料科学，以建立预测模型和加速发现。对于选定的属性，大型数据库的可用性也促进了深度学习(DL)和迁移学习(TL)的应用。然而，对于大多数属性来说，大型数据集的不可用阻碍了DL/TL的广泛应用。在此，来自美国西北大学的 Ankit Agrawal等研究者，提出了一个跨属性的深度转移学习框架，该框架利用在大数据集上训练的模型来构建不同属性的小数据集上的模型。研究者在39个计算数据集和两个实验数据集上测试了提出的框架，发现仅以元素部分作为输入的TL模型优于从头训练的ML/DL模型，即使允许使用物理属性作为输入，为27/39(≈69%)计算和实验数据集。研究者相信，这里所提出的框架，可以广泛用于解决在材料科学中应用AI/ML的小数据挑战。

 

 

参考文献：

Gupta, V., Choudhary, K., Tavazza, F. et al. Cross-property deep transfer learning framework for enhanced predictive analytics on small materials data. Nat Commun 12, 6595 (2021). https://doi.org/10.1038/s41467-021-26921-5

 

原文链接：

https://www.nature.com/articles/s41467-021-26921-5

 

2.Nature Communications：通过预测Pd催化烯丙基胺的Q2MM来校正实验指定的立体化学

 

 

钯催化的亲核碳或亲氮烯丙基取代，是合成生物活性化合物的关键转变。不幸的是，选择合适的配体/底物组合，往往需要大量的筛选工作。在此，来自美国圣母大学的Olaf Wiest & 瑞典哥德堡大学的Per-Ola Norrby等研究者证明了，由量子引导分子力学(Q2MM)方法导出的过渡态力场(TSFF)，可以用于快速筛选配体/底物组合。通过对77个文献反应的测试，揭示了几个案例中计算预测的主要对映体与报道的不同。有趣的是，实验后续导致了实验观察结构的重新分配。这一结果，证明了基于力学方法预测立体化学结果的能力，并在必要时纠正立体化学结果。

 

 

参考文献：Wahlers, J., Margalef, J., Hansen, E. et al. Proofreading experimentally assigned stereochemistry through Q2MM predictions in Pd-catalyzed allylic aminations.Nat Commun 12, 6719 (2021). https://doi.org/10.1038/s41467-021-27065-2

 

原文链接：https://www.nature.com/articles/s41467-021-27065-2

 

3.JACS：基于机器人合成和机器学习方法的抗溶剂对多组分金属卤化物钙钛矿稳定性的高通量研究

 

 

抗溶剂结晶法，经常用于制备高质量的金属卤化物钙钛矿薄膜、制备相当大的单晶，并可在室温下合成纳米颗粒。然而，具体的抗溶剂对多组分MHPs内在稳定性的影响，尚未得到系统的探索。

 

在此，来自美国田纳西大学诺克斯维尔分校的Mahshid Ahmadi等研究者，开发了一个高通量的实验工作流，结合了化学机器人合成、自动表征和机器学习技术，来探索抗溶剂的选择如何影响二元MHP系统在环境条件下的内在稳定性。不同的末端成员组合，MAPbI3, MAPbBr3, FAPbI3, FAPbBr3, CsPbI3和CsPbBr3(MA，甲基铵；FA+(甲酰胺)，用于合成15个组合库，每个库有96个独特的组合。总共合成了大约有1100种不同的成分。每个库使用两种不同的抗溶剂制作两次：甲苯和氯仿。一旦合成，每5分钟自动进行一次光致发光光谱分析，持续约6小时。然后利用非负矩阵分解(NMF)来绘制时间和成分依赖的光电子特性。通过对每个库使用这个工作流，研究者证明了抗溶剂的选择对MHPs在环境条件下的内在稳定性至关重要。研究者探索可能的动态过程，如卤化物分离，负责的稳定性或最终降解所引起的抗溶剂的选择。总之，这项高通量研究证明了抗溶剂在合成高质量多组分MHP系统中的重要作用。

 

 

参考文献：

Higgins, Kate, et al. "High-Throughput Study of Antisolvents on the Stability of Multicomponent Metal Halide Perovskites through Robotics-Based Synthesis and Machine Learning Approaches." J. Am. Chem. Soc. 2021.

https://doi.org/10.1021/jacs.1c10045

 

原文链接：https://pubs.acs.org/doi/10.1021/jacs.1c10045

 

4.JACS：基于第一原理模拟的贝叶斯搜索自改进光敏剂发现系统

 

基于人工智能(AI)的自主学习或自主改进的材料发现系统，将成为下一代材料发现的可能途径。在此，来自新加坡国立大学天津大学联合学院的Bin Liu & 新加坡国立大学的Xiaonan Wang等研究者，展示了如何通过第一性原理计算和基于贝叶斯优化的主动学习结合对材料性能的准确预测，实现一个高性能光敏剂(PSs)的自主改进发现系统。该系统通过自改进循环，提高了模型预测精度(单重态-三重态分裂的最佳平均绝对误差为0.090 eV)和高性能PS搜索能力，实现了PSs的高效发现。从700多万个分子的分子空间中，发现了5357个潜在的高性能PSs。研究者进一步合成了四种聚磷酸酯，其性能可与商用聚磷酸酯相媲美或优于商用聚磷酸酯。这项工作突出了主动学习在第一性原理材料设计中的潜力，并且所发现的结构可以促进光敏化相关应用的发展。

 

 

参考文献：

Xu, Shidang, et al. "Self-Improving Photosensitizer Discovery System via Bayesian Search with First-Principle Simulations." J. Am. Chem. Soc. 2021.

https://doi.org/10.1021/jacs.1c08211

 

原文链接：

https://pubs.acs.org/doi/10.1021/jacs.1c08211

 

5.JACS：机器学习光动力学模拟揭示了取代基效应对立方烷光化学形成的作用

 

 

光化学[2+2]-环加成物，能在化学键中储存太阳能，并有效地进入拉伸的有机分子结构。功能化的[3]-梯形二烯，经过[2+2]-光环加成反应得到立方烷(一种张力有机分子)。取代基(如甲基、三氟甲基和环丙基)影响这些立方前体的整体反应活性；收益率从1到48%不等。然而，这些取代基影响反应活性和化学选择性的原因尚不清楚。

 

在此，来自美国东北大学的Steven A. Lopez等研究者，结合单参考和多参考计算以及机器学习加速非绝热分子动力学(ML-NAMD)，来理解取代基如何影响[2+2]-光环加成物的超快动力学和机制。取代基间的空间冲突，使4π-电环开环路径和最小能锥交叉失稳0.72~1.15 eV，反应能失稳0.68~2.34 eV。非共价色散相互作用稳定了[2+2]-光环加成途径；锥形交叉能降低0.31-0.85 eV，反应能降低0.03-0.82 eV。2 ps的ML-NAMD轨迹表明，闭壳排斥阻碍了6π旋转的电环开环路径，并增加了位阻效应。38%的甲基取代的[3]-梯形二烯轨迹，通过6π-旋转的电环开环，而三氟甲基和环丙基取代的[3]-梯形二烯倾向于[2+2]-光环加成途径。预测的立方烷产率(H: 0.4% < CH3: 1% < CF3: 14% < cPr: 15%)符合实验趋势；这些取代基预先扭曲反应物，使其类似于圆锥形相交几何，从而形成立方烷。

 

 

参考文献：

Li, Jingbai, et al. "Machine-Learning Photodynamics Simulations Uncover the Role of Substituent Effects on the Photochemical Formation of Cubanes." J. Am. Chem. Soc. 2021.

https://doi.org/10.1021/jacs.1c07725

 

原文链接：

https://pubs.acs.org/doi/10.1021/jacs.1c07725