机器学习与量子化学

发展用于量子化学的机器学习（Machine Learning，ML）方法，包括但不限于：

1）分子表象设计，即基于分子的2D或3D结构信息（如原子核电荷数Z和空间坐标R）的特定组合方式的、具有固定格式的矢量化表达

2）分子大数据的构建（数据是当今ML领域的第一驱动力，其构建、尤其是高精度分子数据集的构建是关键）

3）化学空间的采样与探索（化学空间是巨大的，可稳定存在的且能够被合成的分子的数量级>>宇宙中的原子总数；但该空间也是相当冗余的，如何使其降维从而更高效地探索整个化学空间是个非常具有挑战而又有趣的课题）

4）机器学习模型的构建（如基于组合数学的多置信度方法，可以普遍地实现高精度预测，而训练过程只需少量高精度和大量低精度数据的集合）

基于发展的机器学习模型，主要用于解决如下问题：

a）机器学习力场或原子间势（基于此，我们可以突破传统量子化学模拟的极限，如拓展到接近实际情形下的溶液相有机化学反应的模拟）

b）直接的量子化学性质预测（即从分子结构到分子性质的映射）

c）加速从头量子化学计算（即直接加速求解薛定谔方程过程中的核心步骤，可以基于自洽场或是相关方法的框架）

d）分子的逆向设计（即给定目标性质，基于训练好的深度神经网络来优化得到相应的分子的组成与结构）

理论化学的模型与方法

侧重发展简单模型来理解化学世界的普遍规律进而预测，包括如下三个层次：

i）电子结构的计算、理论方法的发展与代码实现（尤其是针对复杂体系如固体表面的情形，目前尚无普遍适用的兼顾效率与精度的计算方法）

ii）概念密度泛函理论（基于密度泛函理论的框架的各种概念，用以理解化学反应初期的行为，一个典型的例子是金属表面的活性理论）

iii）化学键本质的探索（主要是基于一些简化的概念/模型，如简化的价键理论或是半经验分子轨道理论来定量化地描述化学键的强度等）

主要探讨表面催化中具有实际应用价值的化学反应（如氧还原、CO2的还原等）的机理，包括热催化（气固界面）和电催化（固液电化学界面，涉及更复杂的电解质溶液体系）