英文原题：Unsupervised Machine Learning in the Analysis of Nonadiabatic Molecular Dynamics Simulation
通讯作者：兰峥岗，华南师范大学
作者： Yifei Zhu (祝逸飞), Jiawei Peng (彭佳伟)，Chao Xu (徐超)，Zhenggang Lan (兰峥岗)
背景介绍
该展望探讨了机器学习（ML）在非绝热分子动力学模拟（NAMD）分析中的应用，尤其关注如何利无监督ML方法分析NAMD模拟数据。NAMD模拟在理解光诱导反应通道和复杂分子的激发态运动方面具有重要意义。然而，将这类模拟应用于复杂真实体系，会产生大量高维数据，给结果分析带来了挑战。文章详细讨论了无监督ML方法的选择、分子描述符的构建以及分析框架的建立，并探讨了其优势、局限性及现存的挑战。
图1. 无监督机器学习应用于非绝热分子动力学模拟
展望亮点
近日，华南师范大学兰峥岗教授在JPC Letters上发表了上聚焦于将无监督机器学习应用于非绝热分子动力学模拟分析的展望文章。文章系统讨论了如何通过降维与聚类等无监督机器学习方法，实现复杂非绝热动力学模拟轨迹数据的自动化分析。文章详细探讨了常用降维与聚类算法的优势、劣势及适用场景，并深入分析了不同描述符在该应用场景下的构建与选择。
图2. 针对不同类型数据分布的降维算法的示意图
图3. 三种代表性聚类方法
此外，文章还综述了近年来该领域的相关研究的最新成果。最终，文章总结提出了针对单通道和多通道非绝热过程的分析框架，强调通过合理构建分子描述符并选择合适的机器学习方法分析基于轨迹的非绝热动力学，可以成功识别光诱导反应中的关键分子运动。
图4. 利用无监督机器学习方法分析基于轨线的非绝热分子动力学模拟的分析框架
总结与展望
该展望文章全面总结了无监督机器学习在非绝热分子动力学模拟分析领域的最新发展，深入探讨了当前技术的应用现状与挑战。文章不仅系统回顾了这一领域的关键研究成果，还对研究中关键机器学习方法的优势、劣势及其适用性进行了详细评估。通过对未来发展方向的展望，文章为该领域的进一步研究提供了宝贵的视角和指导，推动着无监督机器学习在复杂分子运动与光诱导反应的深入理解中发挥更为重要的作用。这一工作为非绝热动力学分析研究的未来发展提供了有益的借鉴，也为相关领域的科研工作者在这一方向上的探索提供了新的思路。
相关论文发表在JPC Letters上，华南师范大学博士研究生祝逸飞为文章的第一作者， 兰峥岗教授为通讯作者。
通讯作者信息
兰峥岗 研究员
兰峥岗，研究员，博士生导师，中科院“百人计划”入选者，山东省杰出青年基金获得者。长期致力于理论与计算化学领域的研究，包括化学动力学、量子化学、多尺度模拟、机器学习等模拟方法发展，以及理论计算化学在环境、材料、生物等学科中的应用。主持多项国家自然科学基金项目，包括重点项目、国际（地区）合作与交流项目、面上项目等。迄今已发表SCI论文120余篇，研究成果受到了国际学术界的广泛关注和认可。
课题组主页 http://langroup.site/。
扫描二维码阅读英文原文
J. Phys. Chem. Lett. 2024, 15, 38, 9601–9619
Publication Date: September 13, 2024
https://doi.org/10.1021/acs.jpclett.4c01751
© 2024 American Chemical Society
Editor-in-Chief
Gregory D. Scholes
Princeton University
The Journal of Physical Chemistry Letters 致力于报道物理化学家、生物物理化学家、化学物理学家、物理学家、材料科学家和工程师感兴趣的新的和原创的实验和理论基础研究。
2-Year Impact Factor
CiteScore
Time to First Peer Review Decision
4.8
9.6
21.7
