基于机器学习的非绝热动力学研究

机器学习由于其巨大的应用前景已经得到各个行业的高度关注, 已经渗透到了人们生活的方方面面。该方法在化学领域也取得了重要的发展，被用于指导有机合成、搜寻功能材料、发展理论方法等，其中利用大数据“学习”化学、生物和材料体系的势能面信息来进行多尺度的分子动力学模拟是目前的研究热点之一。前期的理论工作主要集中于“训练”单一势能面并用于绝热动力学模拟，而对多态耦合的势能面及其在非绝热动力学中的研究则少有报道，特别是针对势能面交叉区域的复杂势能面的机器学习未见报道。

最近，化学学院崔刚龙老师利用基于神经网络的深度学习方法首次精确重现了多原子分子体系基态和激发态的势能面及其交叉区域的拓扑结构，并利用所得到的多态势能面进行了非绝热动力学模拟。基于深度学习的非绝热动力学模拟在降低计算量的同时，给出了和从头算级别非绝热动力学模拟近乎一样的动力学结果。结果表明深度学习方法可以足够准确地重复复杂的多态势能面的拓扑结构，可用于研究复杂的光物理和光化学反应动力学的研究。

相关成果近期发表于《The Journal of Physical Chemistry Letters》：Deep Learning for  Nonadiabatic Excited-State Dynamics（DOI: 10.1021/acs.jpclett.8b03026）。北京师范大学化学学院为第一单位、陈文恺博士研究生为该工作的第一作者。该工作得到国家自然科学优秀青年基金资助和中央高校基本科研基金资助。