Publikacja w npj Computational Materials (2025)

25 05 2025

Fotochemia na komputerze

Symulacje procesów fotofizycznych i fotochemicznych — takich jak fotoizomeryzacja, przejścia międzysystemowe czy przeniesienie ładunku — są kluczowe dla zrozumienia działania fotoreceptorów biologicznych, ogniw słonecznych czy przełączników molekularnych. Jednak realistyczne modelowanie dynamiki molekularnej w stanach wzbudzonych wymaga dostępu do dokładnych informacji o wielu powierzchniach elektronowej energii potencjalnej cząsteczek oraz sprzężeniach między nimi, co czyni takie symulacje niezwykle kosztownymi obliczeniowo. Teoretyczna fotochemia od lat stara się znaleźć kompromis między dokładnością a wydajnością — teraz, dzięki uczeniu maszynowemu, otwierają się na tym polu nowe możliwości.

Uczenie maszynowe stanów wzbudzonych

W pracy opublikowanej w npj Computational Materials, naukowcy z Wydziału Chemii Uniwersytetu Warszawskiego: dr Joanna Jankowska oraz mgr Mikołaj Martyka, we współpracy z zespołem z Xiamen University, zaproponowali nowy rodzaj sieci neuronowej, dostosowanej do jednoczesnego modelowania wielu stanów elektronowych w cząsteczkach. Architektura tego modelu pozwala na lepsze uwzględnienie korelacji pomiędzy elektronowymi stanami wzbudzonymi, poprawiając również dokładność przewidywań dla stanu podstawowego. Ponadto, zaprojektowano protokół uczenia aktywnego (active learning), który pozwala sztucznej inteligencji nauczyć się symulować fotochemię cząsteczki na podstawie jedynie jej struktury. Kluczową innowacją jest zastosowanie „dynamiki kontrolowanej przerwą energetyczną” (gap-driven dynamics), która kieruje algorytm aktywnego uczenia w najbardziej krytyczne obszary konformacyjne — tam, gdzie przerwy między stanami są najmniejsze, a dynamika najbardziej złożona. W rezultacie model osiąga wysoką dokładność przy znacznie mniejszym koszcie obliczeniowym.

Co dalej?

Zaproponowana metoda stanowi pierwszy krok ku uniwersalnemu modelowi ML zdolnemu do efektywnego opisu dynamiki molekularnej w stanach wzbudzonych. Kolejne etapy prac będą skupiać się na rozszerzeniu metody na bardziej złożone, fotoreaktywne układy. Równolegle trwają prace nad stworzeniem ogólnego modelu uczonego na dużych zbiorach danych fotochemicznych, który mógłby pełnić rolę precyzyjnego i uniwersalnego predyktora zachowania cząsteczek w stanach wzbudzonych.

Publikacja:

Charting electronic-state manifolds across molecules with multi-state learning and gap-driven dynamics via efficient and robust active learning
Mikołaj Martyka, Lina Zhang, Fuchun Ge, Yi-Fan Hou, Joanna Jankowska*, Mario Barbatti*, Pavlo O. Dral*
npj Computational Materials (2025), DOI: 10.1038/s41524-025-01636-z