我院Pavlo O. Dral教授团队联合艾克斯-马赛大学Mario Barbatti教授、华沙大学Joanna Jankowska助理教授团队，在分子激发态的机器学习研究中取得重要进展。该研究建立了光物理与光化学过程的高效动力学模拟新方法。相关成果以“Charting electronic-state manifolds across molecules with multi-state learning and gap-driven dynamics via efficient and robust active learning”为题发表在npj Computational Materials（DOI: 10.1038/s41524-025-01636-z）。
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，但其计算成本极高——尤其在用于非绝热动力学研究时。机器学习是替代昂贵量子化学计算的有力工具，但因激发态的复杂性（参见Pavlo O. Dral教授与Mario Barbatti教授在Nat. Rev. Chem. 2021, 5, 388–405的综述），其在激发态模拟中的发展速度远滞后于基态研究。
针对激发态机器学习的关键挑战，本研究基于长达八年的深度探索，提出一套全面稳健的机器学习协议。该协议采用多激发态学习模型，能够以突破性精度学习多种分子激发态特性，并加速锥形交叉（conical intersections）邻近区域的采样。这些进展实现了端到端主动学习，成功构建出可执行非绝热动力学模拟的机器学习模型，完成光反应量子产率的精准计算，并在顺式偶氮苯（cis-azobenzene）光异构化过程中观测到长时间尺度振荡现象。
该研究工作在Pavlo O. Dral教授、Mario Barbatti教授与Joanna Jankowska助理教授的共同指导下完成。华沙大学博士生Mikołaj Martyka（Pavlo O. Dral教授与Joanna Jankowska助理教授联合指导）为论文第一作者，博士生张丽娜、葛赋春、侯一帆对研究作出重要贡献。研究工作得到国家自然科学基金、表界面化学全国重点实验室，以及波兰科学与教育部“Perły Nauki”项目（PN/01/0064/2022）、欧洲研究委员会Advanced grant SubNano（832237）、法国政府France 2030计划（AMX-22-IN1-48）等项目资助，计算工作由厦门原子计算套件云计算平台和波兰PLGrid高性能计算中心（PLG/2024/017363）支持。
论文链接：https://doi.org/10.1038/s41524-025-01636-z
