Dral副教授與其博士後Ullah發展了一種極快的基於人工智能的量子動力學方法
發布時間:2022年04月18日 來源:化學化工學院

Pavlo O. Dral副教授與其博士後Arif Ullah發展了一種極快的基於人工智能(AI)的量子動力學(QD)方法,該方法被應用於出現在綠硫細菌中的Fenna-Matthews-Olson (FMO) 複合物的激發能量轉移。相關成果以“Predicting the future of excitation energy transfer in light-harvesting complex with artificial intelligence-based quantum dynamics”為題,發表於Nature Communications。

地球上生物體內所有的能量都直接或者間接來源於太陽能。通過光合作用,植物、藻類和光合細菌能夠將光能轉化為化學能。光合作用係統由捕光天線、反應中心和激子轉移複合物組成,這種激子轉移複合物能高效地將光能從天線傳輸到反應中心,如綠硫細菌中的Fenna-Matthews-Olsen (FMO)配合物,具有接近單位的轉移效率,引起了學界的廣泛關注。目前,已經開發了許多量子動力學方法(如HEOM、SEOM、QuAPI和LTLME等)用於研究激子轉移係統中的激發能量轉移。然而,這類傳統方法都要求遞歸地傳播動力學,其中每個時間步都取決於其自身先前的值,且不允許在不傳播軌跡的情況下對係統進行預測,從而導致了高昂的計算成本,而且也容易累積錯誤。因此,傳統方法在上述複雜激子轉移複合物的研究上遇到了困難。

Dral副教授課題組提出了一種基於人工智能/機器學習(AI/ML)的量子動力學(QD)方法,該方法繞過了傳統迭代動力學的需要,隻需提供重組能量λ、特征頻率γ、溫度T等參數,就能夠預測相應的軌跡直至其漸近極限。由於所提出的方法是非迭代的,所有時間步長彼此獨立,因此采用並行計算,從而極大地加快了計算速度。該方法不僅可以內插(預測訓練模型中不可知但位於使用參數範圍內的激發能量轉移參數 (λ,γ,T)),而且還可以在很大程度上進行外推(預測訓練中使用的參數範圍之外的激發能量轉移參數)。同時,課題組也證明了AI-QD方法能夠有效地篩選大量可能的組合,以找出更適合有效的激發能量轉移的參數。基於AI-QD方法,課題組研究了Fenna-Matthews-Olsen (FMO)複合物的高效激發能量轉移,研究結果有助於高效的有機太陽能設備的仿生光捕獲工程的理性設計。

該工作得到國家自然科學基金(項目批準號:22003051)、中央高校基本科研業務費專項資金(項目批準號:20720210092)的資助。

論文鏈接:https://doi.org/10.1038/s41467-022-29621-w



【責任編輯:張夏】
最新圖文