图 利用深度等变张量注意力网络（DetaNet）预测分子性质和模拟分子光谱的流程图
在国家自然科学基金项目（批准号：22073053、22025304、22033007）等资助下，齐鲁工业大学胡伟教授团队联合中国科学技术大学罗毅教授、江俊教授团队，在分子光谱人工智能算法方面取得了新进展。相关研究成果以“有机分子特定光谱的深度学习模型（A Deep Learning Model for Predicting Selected Organic Molecular Spectra）”为题，于2023年11月13日发表在《自然•计算科学》（Nature Computational Science）上。文章链接：https://doi.org/10.1038/s43588-023-00550-y。
基于分子结构和特征的分子光谱，也称“分子指纹”技术，被广泛地应用于物理、化学、材料等领域。但是，光谱数据的欠缺和高质量量子化学计算的昂贵成本限制了光谱解析的效率和精度。针对该难题，研究团队基于等变网络与注意力机制，开发了用于预测分子性质和模拟分子光谱的深度等变张量注意力网络（DetaNet）。首先，以QM9S和QM7-X数据集为样本空间，发展了分子标量（能量、电荷）、矢量（原子力、偶极矩）、二阶张量（四极矩、极化率）、三阶张量（第一超极化率、八极矩），以及分子Hessian矩阵、偶极矩导数、极化率导数的机器学习预测建模。并基于谐振子模型和链式法则，开发了分子红外和拉曼光谱的机器学习算法。基于展宽的紫外-可见吸收光谱（UV-Vis）和核磁共振光谱（NMR）中的磁屏蔽张量各向同性值，开发了分子紫外-可见吸收、核磁共振碳谱和氢谱的机器学习算法。最后，通过施加不同的外界环境（添加溶剂分子、施加外界电场、提供吸附衬底等），利用显式模型和隐式模型验证了DetaNet良好的可迁移性。
该工作在国际上首次发展了直接预测分子高阶张量性质的信息传递神经网络，实现了类似于量化软件包（例如：高斯、ORCA等）的功能，即输入分子坐标，即可获得多种分子性质和光谱。相比较传统量子化学软件包，计算效率提高3-5个数量级，且随着分子尺度增加，计算效率的提升愈发明显。DetaNet的提出，为识别分子类型、表征纳米结构、理解作用机制、揭示构效关系提供了知识基础和软件工具。