近日，我院Pavlo O. Dral教授与波兰华沙大学Joanna Jankowska教授联合带领的研究团队在计算光化学机器学习方法开发方面取得重要进展。相关成果以“OMNI-P2x universal neural network potential for excited-state simulations”为题发表于Nature Communications。
光活性分子体系在现代科学技术中扮演着重要角色，在太阳能电池、有机发光二极管、反应催化、光动力治疗等领域具有广泛应用。光响应分子的理性设计需要深入理解其光物理和光化学过程，而这些过程传统上只能通过第一性原理量子力学计算获得。然而，此类计算成本极高，难以进行高通量筛选，成为发现新型光活性材料的主要瓶颈。
为突破这一限制，研究团队开发了OMNI-P2x——一种适用于分子激发态和基态的通用神经网络势。OMNI-P2x可直接使用或经微调后用于多种光物理和光化学模拟。该方法在计算成本远低于含时密度泛函理论（TD-DFT）方法的同时，达到了与之相近的精度，且比现有半经验激发态模拟方法更加准确和高效。
研究人员通过三个关键应用展示了OMNI-P2x的强大能力：紫外-可见吸收光谱计算、实时光动力学模拟，以及可见光吸收偶氮苯体系的理性设计。这些应用展示了该方法的通用性及其在加速光驱动应用新分子计算设计方面的潜力。
该研究工作由我院Pavlo O. Dral教授与波兰华沙大学Joanna Jankowska教授联合指导完成。波兰华沙大学Mikołaj Martyka博士为论文第一作者，厦门大学Xin-Yu Tong为论文第二作者。该研究得到了国家自然科学基金委员会（NSFC）国际资深科学家项目（W2531013）、NSFC优秀青年科学基金项目（海外，2021）、波兰教育与科学部"Perły Nauki"计划（项目编号PN/01/0064/2022）和波兰高性能计算基础设施PLGrid（项目编号PLG/2024/017363）的支持。
论文链接：https://doi.org/10.1038/s41467-026-71380-5
