通过多极展开将远程相互作用纳入基态与激发态分子模拟

为何遥远的力在化学中至关重要

许多化学与生物学中的关键过程——从药物如何与蛋白质结合到太阳能电池如何收集光能——都依赖于在出人意料的远距离上起作用的微妙电力。要准确模拟这些效应，传统上需要非常昂贵的量子力学计算，这限制了科学家能研究的体系规模和时间尺度。本文引入了一种新的机器学习方法，称为 Field-MACE，它使在复杂环境（如液体和生物材料）中模拟分子时将这些长程力纳入变得更加高效。

将精细化学与其环境相融合

当化学家在溶液中或蛋白质内部模拟反应时，他们常常使用一个“放大”量子区域来处理断键与成键过程，周围则是提供环境的更大“经典”区域。问题在于，环境仍会对反应核心施加长程电力，而大多数现代的分子神经网络模型主要关注近邻之间的相互作用。因此，它们可能错过重要的溶剂或蛋白质效应，或者如果尝试逐一考虑每个遥远相互作用，计算会变得不切实际。作者在现有一类具旋转感知能力的神经网络（MACE）基础上加以扩展，使量子区域能够高效感知周围大量经典电荷云的影响。

将遥远电荷压缩为简单模式

Field-MACE 并不将环境与每个原子之间的所有相互作用逐一输入网络，而是使用一种经典物理技巧，称为多极展开。简单来说，这将许多电荷的影响压缩为少量方向性模式：总体电荷、电场的平均方向，以及描述电场如何在空间弯曲的更精细形状。这些模式自然以分子周围的角形分布来表达，并且与底层神经网络表示几何的方式契合。模型在学习过程中结合了两条信息流：描述成键及近邻的局部短程信息，以及由这些多极模式构建的长程信息，后者总结了周围溶剂或材料如何牵引量子区域。

在真实化学问题上检验准确性

为检验该思想是否奏效，研究者首先在溶液中溶解的分子上对 Field-MACE 进行了基准测试，并将其与处理长程静电的传统方法（如 Ewald 求和和简单库仑势）进行比较。他们发现，加入适量的多极项能显著提高预测能量和力的准确性，尤其是在形状强烈受溶剂影响的更大、更柔性的分子上。关键在于，这种精度提升只带来了很小的计算开销增加，因为耗时的计算部分仍主要随量子核心的大小而扩展，而不是随周围原子海洋的规模。

从金属催化剂到光驱动反应

团队随后将 Field-MACE 应用于两个具有挑战性的案例研究。第一个是模拟液体苯中的镍基催化剂，这类金属配合物在许多工业反应中很重要。新模型在多皮秒尺度上产生了稳定的分子动力学，并重现了关键的结构特征，如键长与角度，即便对于训练集中没有明确包含的配合物亦然。第二个案例研究了小分子呋喃在水中的光化学“开环”反应，这一过程涉及激发电子态与它们之间的快速跃迁。尽管这些光驱动动力学非常复杂，Field-MACE 在不同电子态族群随时间演化方面仍与高阶量子模拟高度一致。

通过复用化学知识加速学习

此类模拟的一个主要实际障碍是包含环境效应的参考数据稀缺且昂贵。作者展示了，通过从一个最初仅在孤立分子（无溶剂）上训练的预训练基础模型出发，他们可以大幅降低这一成本。通过微调已有的“短程”知识并加入基于多极的长程层，Field-MACE 在所需数据点大幅减少的情况下依然达到高准确度。在呋喃的激发态动力学中这一点尤其显著：当仅有数十个昂贵的参考计算可用时，从头训练的模型失败了，而以基础模型初始化的模型仍能捕捉到关键的反应路径。

这对未来模拟的意义

用通俗的话说，Field-MACE 为化学家和材料科学家提供了一种方式，可以在关键部位保留精细的量子视角，同时感受到宏大复杂环境的牵引——而无需支付传统的高昂计算代价。通过将远处的电学效应压缩为紧凑的模式集并将其与强大的神经网络相结合，该方法使得基态与激发态的精确、可扩展模拟成为可能。这为研究更真实的体系打开了大门——从溶液中的金属催化剂到生物环境中的光活性分子——并且所需的训练数据远少于以往。

引用: Barrett, R., Dietschreit, J.C.B. & Westermayr, J. Incorporating long-range interactions via the multipole expansion into ground and excited-state molecular simulations. npj Comput Mater 12, 135 (2026). https://doi.org/10.1038/s41524-026-02048-3

关键词: 机器学习势, 量子力学/分子力学, 长程静电相互作用, 分子模拟, 激发态动力学