porn一区_国产精品久久久久永久免费观看_久久com_亚洲美女视频一区二区三区_日日天天_在线精品亚洲欧美日韩国产

全文速覽

物理研究的對(duì)象逐漸復(fù)雜化、高維化，人工智能擅于從高維、高復(fù)雜的數(shù)據(jù)中探求關(guān)聯(lián)性，帶給了數(shù)據(jù)驅(qū)動(dòng)的科研新范式。人工智能與物理結(jié)合的關(guān)鍵在于，尋求融合物理特性的描述符，將數(shù)學(xué)物理的語(yǔ)言轉(zhuǎn)化為數(shù)字化語(yǔ)言，通過(guò)機(jī)器學(xué)習(xí)技術(shù)從數(shù)據(jù)中提純物理認(rèn)知。最近的智能物理研究中涌現(xiàn)出一些優(yōu)秀的物理描述符，主要是選用物理工具對(duì)物理物質(zhì)的結(jié)構(gòu)與屬性進(jìn)行參數(shù)融合，實(shí)現(xiàn)物理對(duì)象的數(shù)字化。因此化學(xué)測(cè)量學(xué)與技術(shù)，以英語(yǔ)編碼為主的方法并且描述符的數(shù)學(xué)內(nèi)涵不明晰，在實(shí)際應(yīng)用中難以被直接測(cè)定，其對(duì)構(gòu)效關(guān)系的描述也無(wú)法被時(shí)延，致使其機(jī)器學(xué)習(xí)模型弄成難以解釋的黑箱。

而譜學(xué)是破解物理機(jī)制高維關(guān)聯(lián)的天然描述符（圖1）。它對(duì)物質(zhì)的檢測(cè)，就是對(duì)高維關(guān)聯(lián)的復(fù)雜信息進(jìn)行數(shù)字化聚類，榮獲單一維度的塑造。同時(shí)，波譜既可以通過(guò)量子物理理論估算斬獲，也可以在試驗(yàn)中迅速檢測(cè)。更重要的是，波譜原本具有地理意義，基于譜學(xué)描述符的機(jī)器學(xué)習(xí)可帶來(lái)具備數(shù)學(xué)內(nèi)涵的解讀式子，實(shí)現(xiàn)模型的可解釋性。羅毅、江俊課題組近期的兩篇工作，分別聚焦催化劑的活性預(yù)測(cè)與物理反應(yīng)路徑的反向預(yù)測(cè)，展示了波譜作為描述符破解高維構(gòu)效關(guān)聯(lián)并為機(jī)器學(xué)習(xí)引進(jìn)物理認(rèn)知的或許：

1.基于波譜描述符發(fā)覺(jué)預(yù)測(cè)表面分子吸附的可解釋模型：該工作結(jié)合英特爾量第一性原理估算和機(jī)器學(xué)習(xí)方式，首次嘗試時(shí)延震動(dòng)波譜訊號(hào)，獲取波譜描述符與催化劑表面-分子互相作用的定量關(guān)系。以吸附在金屬表面的小分子的紅外和拉曼波譜為例，定量預(yù)測(cè)了吸附能和電勢(shì)轉(zhuǎn)移等關(guān)鍵物理信息。機(jī)器學(xué)習(xí)揭露的波譜描述符和目標(biāo)性質(zhì)之間的內(nèi)在關(guān)聯(lián)以英語(yǔ)公式的方式展現(xiàn)，具有地理可解釋的優(yōu)勢(shì)，并成功泛化應(yīng)用到一系列金屬和合金表面機(jī)制中，實(shí)現(xiàn)了對(duì)波譜描述符所蘊(yùn)涵的地理內(nèi)涵的時(shí)延，用以分離不同金屬表面的共性與固有特征對(duì)分子吸附的貢獻(xiàn)。這一研究級(jí)大地?cái)U(kuò)寬了波譜技術(shù)在材料設(shè)計(jì)和英特爾量篩選中的應(yīng)用范圍。

2.引進(jìn)NMR譜學(xué)特性的圖血管網(wǎng)路預(yù)測(cè)物理反應(yīng)路徑：物理反應(yīng)路徑反向預(yù)測(cè)仍然是物理領(lǐng)域的桂冠，開(kāi)發(fā)準(zhǔn)確靠譜的反應(yīng)反向預(yù)測(cè)模型是一個(gè)常年挑戰(zhàn)。該工作結(jié)合第一性原理估算、圖血管網(wǎng)路與大量反應(yīng)相關(guān)數(shù)據(jù)，首次將譜學(xué)特性、鍵電離能與反應(yīng)條件等信息引進(jìn)物理反應(yīng)，建立融合譜學(xué)特性、化學(xué)信息與分子結(jié)構(gòu)的反應(yīng)描述符(ChemistryInformedMolecularGraph,CIMG)，建立了反應(yīng)反向預(yù)測(cè)、催化劑預(yù)測(cè)、溶劑預(yù)測(cè)、反應(yīng)合理智預(yù)測(cè)、反應(yīng)路徑反向規(guī)劃等多個(gè)機(jī)器學(xué)習(xí)模型，檢測(cè)證明，融合譜學(xué)特性的CIMG描述符可以幫助機(jī)器學(xué)習(xí)模型破解構(gòu)效關(guān)系的高維關(guān)聯(lián)，提高機(jī)器學(xué)習(xí)模型的物理認(rèn)知。

圖1：基于譜學(xué)描述符連結(jié)“譜-構(gòu)-效”關(guān)系

背景介紹

選用物理物質(zhì)的微觀結(jié)構(gòu)與屬性作為機(jī)器學(xué)習(xí)的描述符，取得了挺好的療效。但這些工作也是逗留在理論設(shè)計(jì)，無(wú)法在試驗(yàn)中得到應(yīng)用。其中一個(gè)重要誘因就是微觀結(jié)構(gòu)無(wú)法精確測(cè)定。諸如在表面科學(xué)領(lǐng)域中，表面-吸附物互相作用性質(zhì)（如吸附能、電荷轉(zhuǎn)移、鍵能等）與表面分子辨識(shí)、催化活性、電物理性質(zhì)等緊密相關(guān)。事實(shí)上，直接通過(guò)試驗(yàn)觀測(cè)獲取微觀性質(zhì)是很難的，一般的做法是使用波譜工具首先辨識(shí)材料的幾何結(jié)構(gòu)，再基于此去推測(cè)目標(biāo)特征。這些從波譜到結(jié)構(gòu)再到性質(zhì)的間接方式的缺陷在于，從低維的波譜信息無(wú)法定量且完整地提取到高維的幾何結(jié)構(gòu)信息，以便不可防止地引進(jìn)累積偏差，干擾對(duì)目標(biāo)性質(zhì)的預(yù)測(cè)。

另一方面，結(jié)構(gòu)與效能之間存在著復(fù)雜的高維關(guān)聯(lián)，機(jī)器學(xué)習(xí)方式基于大量數(shù)據(jù)也很難學(xué)到深刻的物理認(rèn)知，極易被數(shù)據(jù)中淺層的特性欺騙，致使模型在特定數(shù)據(jù)集中表現(xiàn)良好，在陌生數(shù)據(jù)集中大打折扣。諸如在物理反應(yīng)中，參與反應(yīng)的分子的結(jié)構(gòu)組成很簡(jiǎn)略，局部看只有原子與物理鍵，而且每位原子與鍵就會(huì)遭到全局物理環(huán)境以及外部反應(yīng)條件的不同影響，這些局部、全局與外部的高度耦合大大增強(qiáng)了機(jī)器學(xué)習(xí)的難度，并且現(xiàn)有的這些反應(yīng)預(yù)測(cè)模型無(wú)法達(dá)到預(yù)期。

描述符的選擇是影響物理機(jī)器學(xué)習(xí)的關(guān)鍵誘因。波譜作為物質(zhì)結(jié)構(gòu)的低維表示，具備可估算可檢測(cè)的特性，使得原本遭到第一性原理的約束。這促使波譜作為描述符有望幫助物理機(jī)器學(xué)習(xí)模型破解“構(gòu)效”高維關(guān)聯(lián)，構(gòu)建可解釋、可時(shí)延的地理模型，提高機(jī)器學(xué)習(xí)的物理認(rèn)知。

作者在之前的研究中（J.Am.Chem.Soc.2020,142,7737;J.Am.Chem.Soc.2021,143,4405），發(fā)覺(jué)電/磁偶極矩可以作為表征微觀性質(zhì)的機(jī)器學(xué)習(xí)描述符，由于他們攜帶了電子基態(tài)和電勢(shì)分布的微觀信息。而波譜（如紅外和拉曼）作為試驗(yàn)更容易觀測(cè)的信息，與所研究機(jī)制的電/磁偶極矩存在緊密的關(guān)聯(lián)（J.Am.Chem.Soc.2020,142,19071;ProcNatlAcadSciUSA.2022,119,e2202713119）。這促使波譜訊號(hào)具有了描述表面-分子互相作用、原子與物理鍵特性、分子與物理環(huán)境耦合等信息，甚至引進(jìn)物理認(rèn)知的潛力。相較于傳統(tǒng)的物理結(jié)構(gòu)或單一屬性描述符，譜學(xué)描述符和物理性質(zhì)/反應(yīng)間的關(guān)系愈發(fā)簡(jiǎn)略直接，有望訓(xùn)練出格外精確、易于理解且更具實(shí)用性的預(yù)測(cè)模型。

圖文解讀

基于英特爾量密度泛函（DFT）估算形成的數(shù)據(jù)，作者應(yīng)用機(jī)器學(xué)習(xí)方式首次在波譜描述符和表面-吸附物互相作用性質(zhì)之間構(gòu)建了可定量預(yù)測(cè)、可遷移學(xué)習(xí)和可物理解釋的關(guān)聯(lián)性。研究將吸附在金屬（Au、Ag）表面的小分子（CO、NO）的紅外和拉曼波譜特性作為描述符，應(yīng)用基于壓縮感知的機(jī)器學(xué)習(xí)算法，提取得到從波譜描述符到吸附能、電荷轉(zhuǎn)移和分子鍵能等關(guān)鍵目標(biāo)性質(zhì)的物理描述公式。令人激動(dòng)的是，這種物理公式就能成功遷移學(xué)習(xí)到一系列金屬和合金（包括高熵合金）表面吸附機(jī)制。對(duì)于每位新機(jī)制，只須要5-10組新的數(shù)據(jù)來(lái)再次擬合物理公式中的擬合參數(shù)，即可實(shí)現(xiàn)對(duì)目標(biāo)性質(zhì)的合理預(yù)測(cè)。逐步研究發(fā)覺(jué)，很多物理公式包含了不同金屬表面對(duì)分子吸附的共性特點(diǎn)，而其擬合參數(shù)則完全由金屬本來(lái)的固有特征決定，即實(shí)現(xiàn)了對(duì)波譜描述符蘊(yùn)涵的理化信息的時(shí)延。這種發(fā)覺(jué)提供了一種機(jī)器學(xué)習(xí)與波譜技術(shù)相結(jié)合的新策略，適于實(shí)現(xiàn)從波譜信息到微觀性質(zhì)的直接預(yù)測(cè)。

為了研究波譜訊號(hào)與表面-分子互相作用的關(guān)系，作者建立了四個(gè)吸附機(jī)制（CO/NO@Ag/Au）總共70,500個(gè)吸附構(gòu)象，應(yīng)用DFT對(duì)每位吸附構(gòu)象一方面進(jìn)行速率剖析以獲取紅外和拉曼波譜的速率和硬度作為機(jī)器學(xué)習(xí)的描述符，另一方面進(jìn)行單點(diǎn)估算以斬獲關(guān)鍵的吸附信息作為機(jī)器學(xué)習(xí)的目標(biāo)性質(zhì)，包括吸附能（Eads）、表面和被吸附物之間的電勢(shì)轉(zhuǎn)移（Δe）、C-O或N-O的鍵能（Eb），以及金屬表面的d帶中心(εd)。如圖2所示，作者選用機(jī)器學(xué)習(xí)額外樹(shù)回歸（ETR）模型幾乎完美預(yù)測(cè)了目標(biāo)性質(zhì)。所有預(yù)測(cè)Pearson相關(guān)系數(shù)均為~0.99，預(yù)測(cè)偏差均在DFT的估算偏差范圍內(nèi)。

圖2：基于譜學(xué)描述符(a)預(yù)測(cè)催化劑-分子機(jī)制CO@Au(111)的表面互相作用及其關(guān)鍵參數(shù)(b)：吸附能Eads,電勢(shì)轉(zhuǎn)移量Δe,鍵能Eb,d-帶中心εd.

好的機(jī)器學(xué)習(xí)模型還要具有可遷移性，即通過(guò)模型訓(xùn)練獲取的知識(shí)可適于解決相關(guān)的其它問(wèn)題。機(jī)器學(xué)習(xí)模型實(shí)現(xiàn)了從CO@Ag機(jī)制到CO@Ag、NO@Au、NO@Ag等機(jī)制的遷移，得到了挺好的預(yù)測(cè)療效。接著，作者嘗試?yán)斫獠ㄗV描述符的數(shù)學(xué)內(nèi)涵。重要性剖析證明了分子（C-O或N-O）伸縮震動(dòng)的速率變化與吸附硬度的高度相關(guān)性，驗(yàn)證了分子軌道理論帶給的物理理解。逐步地，作者應(yīng)用基于壓縮感知的機(jī)器學(xué)習(xí)模型SISSO來(lái)挖掘波譜描述符與目標(biāo)性質(zhì)之間的物理依賴關(guān)系，以獲取更好的模型可解釋性。

基于震動(dòng)波譜特性的物理公式表現(xiàn)出強(qiáng)悍的泛化預(yù)測(cè)能力，如圖3a-c所示，作者證明了存在通適于34種遷移機(jī)制的物理公式，適于遷移學(xué)習(xí)和預(yù)測(cè)不同金屬表面對(duì)分子的吸附行為。遷移到的目標(biāo)金屬包括具備空位缺陷的Au、單金屬（Pt、Pd、Ir、Rh和Cu），二元合金（AuAg、CuPd、CuPt、CuRh、CuIr、PdPt）和高熵合金（AgAuPdPtCu）。這闡明基于波譜描述符的物理公式早已捕獲到了潛在的化學(xué)體系。逐步地，作者發(fā)覺(jué)公式中的變量由波譜描述符組成，包含了所有機(jī)制的共性特點(diǎn)，而公式中的擬合參數(shù)（如圖3c中的a1/b1/c1/d1和a2/b2/c2/d2）則包含了不同金屬表面的個(gè)體差距信息，由每位遷移機(jī)制的固有特征（如如功函數(shù)和表面產(chǎn)生能等）完全決定并可以通過(guò)少量（5-10組）數(shù)據(jù)來(lái)校準(zhǔn)。這闡明，這種基于波譜描述符的物理公式實(shí)現(xiàn)了對(duì)震動(dòng)波譜描述符的時(shí)延，以分離不同金屬表面的共性與固有特征對(duì)分子吸附的貢獻(xiàn)。

圖3：(a-b)基于CO@Ag(111)和CO@Au(111)機(jī)制的機(jī)器學(xué)習(xí)預(yù)訓(xùn)練模型（SISSO提取的解讀式子）可以被遷移應(yīng)適于34種不同類別的金屬材料吸附CO分子機(jī)制的波譜-催化活性參數(shù)關(guān)系預(yù)測(cè)，其遷移和關(guān)鍵參數(shù)擬合僅依賴于被遷移對(duì)象的少量數(shù)據(jù)（2-5組數(shù)據(jù)）(c)。(d)模型遷移所需的擬合參數(shù)只與分子震動(dòng)波譜訊號(hào)有關(guān)，而與金屬基體類別無(wú)關(guān)，說(shuō)明可解釋的機(jī)器學(xué)習(xí)模型有效分離了基體材料與分子的特征信息。

在上述工作的基礎(chǔ)上，作者探求了在圖血管網(wǎng)路中嵌入譜學(xué)描述符，為反應(yīng)路徑預(yù)測(cè)模型引進(jìn)物理認(rèn)知。設(shè)計(jì)了5個(gè)機(jī)器學(xué)習(xí)模型，結(jié)合蒙特卡洛樹(shù)搜索，建立了反應(yīng)路徑反向規(guī)劃算法，對(duì)于任意有機(jī)小分子，可以給出從商業(yè)原料分子到目標(biāo)分子的合成方法、每步的合理智分?jǐn)?shù)以及催化劑、溶劑等反應(yīng)條件信息。作者基于第一性原理估算得到的46萬(wàn)譜學(xué)數(shù)據(jù)和15萬(wàn)鍵電離能數(shù)據(jù)設(shè)計(jì)了融合譜學(xué)和物理信息的分子圖描述符（CIMG），并將CIMG描述符應(yīng)適于反應(yīng)反向預(yù)測(cè)、催化劑預(yù)測(cè)、溶劑預(yù)測(cè)、反應(yīng)合理智判定、多步路徑規(guī)劃等5個(gè)機(jī)器學(xué)習(xí)模型。

圖4.物理反應(yīng)路徑反向預(yù)測(cè)。(A)五種常見(jiàn)反應(yīng)類別（反應(yīng)模版）。(B)經(jīng)過(guò)300萬(wàn)反應(yīng)數(shù)據(jù)的訓(xùn)練后，分別使用兩個(gè)不同描述符（基于分子結(jié)構(gòu)的GNN描述符和基于NMR譜的CIMG描述符）的GNN模型輸出的globalvector對(duì)五種常見(jiàn)反應(yīng)類別覆蓋的產(chǎn)物進(jìn)行降維，觀察降維圖，可以看見(jiàn)基于NMR譜的CIMG描述符更才能推動(dòng)模型學(xué)習(xí)并理解不同物理反應(yīng)的細(xì)微差別與共性。(C)物理反應(yīng)路徑反向規(guī)劃步驟。(D)三種描述符的反應(yīng)預(yù)測(cè)精確性：基于分子結(jié)構(gòu)的GNN描述符（藍(lán)色圓形線纜）；Morgan分子指紋描述符（紅色三角點(diǎn)線）；基于NMR譜的CIMG描述符。

在反應(yīng)反向預(yù)測(cè)模型中，作者對(duì)比了融入NMR譜學(xué)特性的CIMG描述符和普通的基于分子結(jié)構(gòu)的GNN描述符，以五種常見(jiàn)反應(yīng)類別（圖4A，T1~T5）為例，對(duì)數(shù)十萬(wàn)分子進(jìn)行降維，可以看見(jiàn)CIMG描述符的殘差療效顯著好于普通GNN描述符（圖4B）。尤其值得留意的是，基于CIMG描述符的模型學(xué)到了不同反應(yīng)類別的共性：T2和T5中盡管離去配體不同，但都是胺的親核反應(yīng)，但是在實(shí)際反應(yīng)中，通常都是將T2中的吡啶鹵化，再使用T5進(jìn)行反應(yīng)，因此實(shí)際上T2和T5就是一類反應(yīng)，這一點(diǎn)在CIMG的殘差圖（圖4B）中得到完美展現(xiàn)（紅色和藍(lán)色區(qū)域基本重合）。另外，基于CIMG描述符的模型也學(xué)到了相同反應(yīng)類別的細(xì)微差別性：T4和T5中的結(jié)構(gòu)十分相像，雖然反應(yīng)成因完全不同，在CIMG的殘差結(jié)果（圖4B）中也展現(xiàn)出了這些掩藏在結(jié)構(gòu)下的反應(yīng)性的差別性（紅色和藍(lán)色區(qū)域分離分布）。經(jīng)過(guò)檢測(cè)集的檢測(cè)也可以看出融入NMR譜的CIMG描述符的優(yōu)越性。如圖4C-D顯示，普通的GNN描述符的預(yù)測(cè)療效（紅色圓形點(diǎn)線）遠(yuǎn)遠(yuǎn)不如基于分子指紋的深度學(xué)習(xí)（紅色三角點(diǎn)線，Nature2018，555化學(xué)測(cè)量學(xué)與技術(shù)，604），而使用了加入NMR譜和鍵能等譜學(xué)和物理特性的CIMG描述符后（紅色心形點(diǎn)線），GNN模型反超深度學(xué)習(xí)模型。基于CIMG描述符，作者設(shè)計(jì)了催化劑預(yù)測(cè)、溶劑預(yù)測(cè)、反應(yīng)合理智判定、多步路徑規(guī)劃等多個(gè)機(jī)器學(xué)習(xí)模型，其確切性和靠譜性均少于普通的GNN描述符。結(jié)合5個(gè)機(jī)器學(xué)習(xí)模型和蒙特卡洛樹(shù)搜索，作者建立的物理反應(yīng)路徑反向規(guī)劃算法實(shí)現(xiàn)了精確靠譜的路徑規(guī)劃功能，經(jīng)過(guò)4萬(wàn)余個(gè)新分子的檢測(cè)，有70%的分子可以在1分鐘內(nèi)得到合成方案，85%的分子可以在30分鐘內(nèi)得到合成方案。

小結(jié)與展望

兩個(gè)工作都展現(xiàn)了怎樣運(yùn)用波譜的可降維描述符來(lái)破解構(gòu)效關(guān)系的高維關(guān)聯(lián)，并為機(jī)器學(xué)習(xí)模型賦于物理認(rèn)知。

在關(guān)于表面科學(xué)的研究中，作者結(jié)合DFT估算和機(jī)器學(xué)習(xí)技巧，確立了可估算、解耦和便于檢測(cè)的波譜描述符，并挖掘了波譜描述符與吸附特征之間的物理關(guān)聯(lián)。這些步驟可以很容易地?cái)U(kuò)充到各種類型的波譜技術(shù)，比如基于電子結(jié)構(gòu)的波譜和/或多維波譜等，也將推動(dòng)原位波譜表征技術(shù)適于提供原位和實(shí)時(shí)剖析的策略。本研究展示了機(jī)器學(xué)習(xí)從宏觀可檢測(cè)數(shù)據(jù)（比如波譜訊號(hào)）中直接提取微觀信息（比如吸附相關(guān)特征）的潛力，為試驗(yàn)直接測(cè)定吸附能、電荷轉(zhuǎn)移和分子鍵能等微觀信息夯實(shí)了堅(jiān)固的理論基礎(chǔ)。

在關(guān)于反應(yīng)預(yù)測(cè)的研究中，作者結(jié)合DFT估算、圖血管網(wǎng)路和大量物理相關(guān)數(shù)據(jù)，確立了融合譜學(xué)特性、化學(xué)知識(shí)的反應(yīng)描述符（CIMG），成功破解分子結(jié)構(gòu)與反應(yīng)性之間復(fù)雜的高維關(guān)聯(lián)，使機(jī)器學(xué)習(xí)模型敏銳捕捉反應(yīng)類別之間細(xì)微的共性和差別性。本研究設(shè)計(jì)了譜學(xué)特性、化學(xué)知識(shí)以及分子結(jié)構(gòu)的描述符，并建立了愈加精確和牢靠的物理反應(yīng)反向預(yù)推算法，為手動(dòng)化的、可實(shí)用的物理反應(yīng)反向路徑規(guī)劃提供了新的思路。

作者簡(jiǎn)介

江俊，美國(guó)科學(xué)技術(shù)學(xué)院物理與材料科學(xué)大學(xué)校長(zhǎng)，主要從事理論物理與人工智能的交叉研究，聚焦于復(fù)雜機(jī)制內(nèi)電子運(yùn)動(dòng)模擬，研究在多個(gè)數(shù)學(xué)與物理應(yīng)用領(lǐng)域（催化/光催化、生物物理、光物理、分子電子學(xué)與光子學(xué)）中的實(shí)際問(wèn)題。在國(guó)際著名SCI刊物如Nat.Energy,Nat.commun.,J.Am.Chem.Soc.,Adv.Mater.等發(fā)表論文180余篇。近些年來(lái)結(jié)合數(shù)據(jù)挖掘和人工智能技術(shù)，主持開(kāi)發(fā)了全球首個(gè)估算數(shù)據(jù)驅(qū)動(dòng)的全步驟機(jī)器物理家系統(tǒng)（~jiangj1/AIChem.mp4），發(fā)展了5個(gè)估算硬件包，在多個(gè)國(guó)家的著名研究組應(yīng)用。開(kāi)發(fā)了物理材料知識(shí)圖譜，建設(shè)了大規(guī)模材料科學(xué)數(shù)據(jù)庫(kù)平臺(tái)（），包含9000萬(wàn)分子、30萬(wàn)晶體材料、1100萬(wàn)物理反應(yīng)、數(shù)萬(wàn)種催化/光電材料等數(shù)據(jù)資源。獲2015年美國(guó)物理會(huì)唐敖慶青年理論物理家獎(jiǎng)，2020年美國(guó)物理會(huì)杰出沙龍獎(jiǎng)，2020年獲自然科學(xué)基金委杰出青年基金捐助。

王翕君，美國(guó)科學(xué)技術(shù)學(xué)院教授，現(xiàn)中國(guó)東北學(xué)院博士后，主要從事理論物理和機(jī)器學(xué)習(xí)在多個(gè)能源與環(huán)境交叉領(lǐng)域的應(yīng)用研究，如光、電催化，奈米材料，物理鏈等。在國(guó)際著名SCI刊物如J.Am.Chem.Soc.,EnergyEnviron.Sci.,Nat.Commun.,Adv.Mater.等發(fā)表論文60余篇，并兼任Phys.Rev.Lett.,Nat.Commun.,J.Chem.Phys.,ACSSustain.Chem.Eng.等30余個(gè)國(guó)際知名刊物審稿人。

張百成，專科結(jié)業(yè)于美國(guó)科學(xué)技術(shù)學(xué)院晚清地理系，現(xiàn)在在美國(guó)科學(xué)技術(shù)學(xué)院未來(lái)技術(shù)大學(xué)攻讀碩士學(xué)位，主要從事物理合成、光譜與人工智能的交叉研究工作。

文獻(xiàn)來(lái)源

(1)XijunWangetal.,QuantitativelyDeterminingSurface–AdsorbatePropertiesfromVibrationalSpectroscopywithInterpretableMachineLearning,JournaloftheAmericanChemicalSociety,2022,144,16069.

(2)BaichenZhangetal.,ChemistryInformedMolecularGraphasReactionDescriptorsforMachineLearnedRetro-SynthesisPlanning,ProceedingsoftheNationalAcademyofSciencesUSA,2022,119,e2212711119.