新太阳城(中国)官方网站

新太阳城(中国)官方网站

新太阳城(中国)官方网站

首页 >> 探索发现 >> 科研进展 >> 正文
Dral副教授与其博士后Ullah发展了一种极快的基于人工智能的量子动力学方法
发布时间:2022年04月18日 来源:化学化工学院

Pavlo O. Dral副教授与其博士后Arif Ullah发展了一种极快的基于人工智能(AI)的量子动力学(QD)方法,该方法被应用于出现在绿硫细菌中的Fenna-Matthews-Olson (FMO) 复合物的激发能量转移。相关成果以“Predicting the future of excitation energy transfer in light-harvesting complex with artificial intelligence-based quantum dynamics”为题,发表于Nature Communications。

地球上生物体内所有的能量都直接或者间接来源于太阳能。通过光合作用,植物、藻类和光合细菌能够将光能转化为化学能。光合作用系统由捕光天线、反应中心和激子转移复合物组成,这种激子转移复合物能高效地将光能从天线传输到反应中心,如绿硫细菌中的Fenna-Matthews-Olsen (FMO)配合物,具有接近单位的转移效率,引起了学界的广泛关注。目前,已经开发了许多量子动力学方法(如HEOM、SEOM、QuAPI和LTLME等)用于研究激子转移系统中的激发能量转移。然而,这类传统方法都要求递归地传播动力学,其中每个时间步都取决于其自身先前的值,且不允许在不传播轨迹的情况下对系统进行预测,从而导致了高昂的计算成本,而且也容易累积错误。因此,传统方法在上述复杂激子转移复合物的研究上遇到了困难。

Dral副教授课题组提出了一种基于人工智能/机器学习(AI/ML)的量子动力学(QD)方法,该方法绕过了传统迭代动力学的需要,只需提供重组能量λ、特征频率γ、温度T等参数,就能够预测相应的轨迹直至其渐近极限。由于所提出的方法是非迭代的,所有时间步长彼此独立,因此采用并行计算,从而极大地加快了计算速度。该方法不仅可以内插(预测训练模型中不可知但位于使用参数范围内的激发能量转移参数 (λ,γ,T)),而且还可以在很大程度上进行外推(预测训练中使用的参数范围之外的激发能量转移参数)。同时,课题组也证明了AI-QD方法能够有效地筛选大量可能的组合,以找出更适合有效的激发能量转移的参数。基于AI-QD方法,课题组研究了Fenna-Matthews-Olsen (FMO)复合物的高效激发能量转移,研究结果有助于高效的有机太阳能设备的仿生光捕获工程的理性设计。

该工作得到国家自然科学基金(项目批准号:22003051)、中央高校基本科研业务费专项资金(项目批准号:20720210092)的资助。

论文链接:



【新太阳城】