基准化基础势(Foundation Potentials)与量子化学方法在预测分子氧化还原势中的比较

《Precision Chemistry》:Benchmarking Foundation Potentials against Quantum Chemistry Methods for Predicting Molecular Redox Potentials

【字体: 大 中 小 】 时间:2026年01月24日 来源:Precision Chemistry 6.2

编辑推荐:

  将基础势与量子化学方法进行基准化比较以预测分子氧化还原势。计算高通量虚拟筛选对于识别用于可持续应用(如电化学碳捕获)的氧化还原活性分子至关重要。该方法的一个主要挑战是与精确量子化学计算相关的高计算成本。在广泛的密度泛函理论(Density Functional

  
将基础势与量子化学方法进行基准化比较以预测分子氧化还原势。计算高通量虚拟筛选对于识别用于可持续应用(如电化学碳捕获)的氧化还原活性分子至关重要。该方法的一个主要挑战是与精确量子化学计算相关的高计算成本。在广泛的密度泛函理论(Density Functional Theory, DFT)计算上训练的机器学习基础势(Machine Learning Foundation Potentials, FPs)提供了一种计算上高效的替代方案。在此,研究人员将MACE-OMol-0和UMA两种FPs与一系列DFT泛函进行基准化比较,用于预测实验分子氧化还原势,包括电子转移(Electron Transfer, ET)和质子耦合电子转移(Proton-Coupled Electron Transfer, PCET)反应。研究发现,这些FPs在PCET过程中实现了卓越的准确性,可与它们的目标DFT方法相媲美。然而,对于ET反应,性能有所下降,特别是对于涉及在OMol25训练数据中代表性不足的反应性离子的多电子转移,揭示了一个关键的分布外局限性。为克服这一问题,研究人员提出了一种最优的混合工作流程,利用FPs进行高效的几何优化和热化学分析,随后进行关键的单点DFT能量修正和隐式溶剂化校正。这种务实的方法为加速可持续化学中的高通量虚拟筛选提供了一种稳健且可扩展的策略。
**研究背景与问题**

电化学CO2捕获技术的发展需要高效可扩展的材料作为支撑,其中氧化还原活性吸附分子(redox-active sorbent molecules)的研发是关键。基于流动的电化学系统因其较低的能耗和与可再生能源集成的潜力,成为传统热法和变压法的重要替代方案。这类系统的操作原理依赖于氧化还原活性吸附分子,其通过两种主要机制实现CO2的捕获与释放:一是吸附分子还原后直接结合CO2的电子转移(ET)机制;二是通过质子耦合电子转移(PCET)反应生成氢氧根离子(OH?)在水溶液中捕获CO2。该策略的成功关键在于筛选具有精确调控氧化还原势的吸附候选分子,使其接近氧还原反应等相关基准势,以确保在氧气存在下的电化学可逆性。

计算高通量筛选已成为材料发现中不可或缺的工具,量子化学方法特别是密度泛函理论(DFT)能够通过计算还原态和氧化态的自由能,准确且高通量地预测多种吸附材料的氧化还原势。然而,DFT的高计算成本为筛选潜在吸附剂的庞大化学空间带来了显著瓶颈。为应对这一挑战,研究领域沿两个并行互补方向推进:一是基于GPU的计算基础设施进步显著加速了量子化学方法,使直接DFT计算对大型系统更加可行,并可用于生成训练机器学习力场的大规模数据集;二是通用机器学习原子间势(Machine Learning Interatomic Potentials, MLIPs),即基础势(FPs)的出现代表了另一范式转变。这些FPs,如基于高阶等变消息传递神经网络(MACE)构建的MACE-OMol-0(以下简称MACE-OMol)和UMA(Universal Machine learning Atoms),设计用于在广阔化学空间中广泛适用,均在OMol25数据集上训练。OMol25是目前最大且最多样化的量子化学资源之一,包含超过1亿个在ωB97M-V/def2-TZVPD理论水平下进行的DFT计算。MACE-OMol相对于参考DFT方法预测能量的平均绝对误差(Mean Absolute Error, MAE)为1.2 meV/原子,预测原子间力的MAE为10 meV/?。这种卓越精度表明此类FPs可能在不产生DFT高计算成本的情况下实现高效的分子虚拟筛选,但其对于预测衍生电化学性质的可靠性仍需严格验证,因为这依赖于不同电荷/自旋态和质子化态之间的微妙能量差异。

**研究开展与核心结论**

本研究对MACE-OMol和UMA-s(带OMol头的UMA)两种代表性FPs与传统的B3LYP、M06-2X、ωB97X、ωB97M等量子化学方法以及DFT-D3色散修正方法进行了系统基准化比较,评估其在直接ET和PCET反应中计算氧化还原势的性能,为FPs在可持续化学应用中的预测筛选提供 readiness 评估和最优部署策略。

**关键技术方法**

研究采用PySCF 2.10.0量子化学软件包结合GPU4PySCF扩展进行加速计算;使用基于密度的溶剂化模型(Solvation Model based on Density, SMD)作为隐式溶剂化模型处理流动电化学过程的连续介质环境;运用RDKit生成初始三维结构,经CREST程序在GFN2-xTB/GB/SA水平下进行构象搜索;几何优化采用Sella程序包;通过Born–Haber循环结合气相自由能与溶剂化自由能计算标准氧化还原势;评估的数据集包括三组实验体系:Test Set A(Li等设计的Lewis碱分子ET,CSDMSO溶剂)、Test Set B(28种带极性官能团的醌类PCET反应,pH=0水溶液)以及Test Set C(Huynh等的非极性取代醌类ET/PCET反应)。

**研究结果**

**ET反应中Lewis碱的性能**

针对Test Set A的ET反应,范围分离泛函表现最优,ωB97X-D3BJ和ωB97M-D3BJ的MAE分别为0.093 V和0.096 V。对于1e? ET,UMA-s以0.050 V的低MAE达到最佳DFT方法相当的准确性,MACE-OMol表现尚可(MAE: 0.162 V)。但两种FPs在2e? ET中均出现显著误差(MACE-OMol MAE: 1.925 V;UMA-s MAE: 1.449 V)。采用目标理论水平的单点DFT修正后,1e? ET的误差大幅降低(MACE-OMol从0.162降至0.029 V;UMA-s从0.050微调至0.037 V),但2e? ET误差仍较大(分别为0.279 V和0.226 V)。以2,1,3-苯并噻二唑(BNSN)为案例的Hessian矩阵计算表明,1e? ET产物的Hessian误差较小(MACE-OMol MAE: 0.089 eV/?2),而2e? ET产物误差显著升高(0.74 eV/?2),说明FPs能可靠复现1e? ET物种的梯度和Hessian以指导优化至基态构象,但在电荷或自旋多重态更极端时预测失效。

**极性基团取代醌的PCET反应**

Test Set B的PCET反应基准测试中,范围分离泛函ωB97M-D3BJ表现最佳(MAE: 0.083 V)。MACE-OMol和UMA-s分别实现0.099 V和0.097 V的MAE,且后续目标DFT单点能量修正对MAE影响甚微(分别变为0.097 V和0.096 V),表明FPs已为这些PCET反应提供了高度准确的氧化还原势。值得注意的是,尽管FPs和高级DFT方法总体表现良好,但对于AQS2NBr和AQTH14等分子,FPs和较高级DFT方法的误差反而大于低级DFT泛函。通过与DLPNO-CCSD(T)-F12耦合簇方法的验证比较发现,FPs及其目标DFT方法与耦合簇方法的一致性较差,表明目标DFT本身对某些体系存在局限性;但即使采用耦合簇单点能量,与实验结果仍存在约0.1 V的偏差,这些升高误差可能归因于隐式溶剂化模型的近似处理,如文献指出AQTH14的误差在包含显式溶剂分子后降低。

**非极性取代醌的ET/PCET反应**

Test Set C采用苯醌(BQ)作为参考进行标定,以修正系统性偏移。校准后所有方法的MAE均降至0.1 V以下,PCET反应的MAE进一步降低至约0.04 V,不同DFT方法之间的性能差异明显缩小。与此前ET和PCET中的表现一致,MACE-OMol在1e? ET离子能量预测上存在困难(MAE 0.100 V),导致多个离群值出现大误差;而UMA-s展现出较强的本征性能(MAE 0.075 V)。采用所建议的混合工作流程后,MACE-OMol的MAE从0.100降至0.076 V,UMA-s从0.075进一步优化至0.063 V,达到所有测试方法中的最低误差。对于不涉及阴离子自由基的PCET反应,两种FPs表现优异:MACE-OMol和UMA-s直接计算的MAE分别为0.040 V和0.039 V,与其目标DFT结果完全吻合。这再次证实FPs的准确性依赖于涉及化学物种的性质,对中性分子表现卓越,而对代表性不足的反应性阴离子存在困难。

**Hessian计算的计算效率**

以BNSN为案例比较Hessian矩阵计算效率,在NVIDIA A40 GPU上,FPs仅需数秒即可完成13原子系统的Hessian计算,而DFT解析Hessian需要数百秒,数值Hessian则需超过3000秒。尽管VV10相关泛函在PySCF中不支持开壳层系统的Hessian计算、UMA-s不提供解析Hessian评估而需采用数值有限差分梯度,FPs仍展示了显著的加速优势,同时通过混合工作流程保持了与DFT相当的准确性。

**讨论与结论**

FPs与量子化学高通量筛选已成为发现功能分子和材料不可或缺的工具。在电化学碳去除背景下,评估不同电荷/自旋态和溶剂条件下的Gibbs自由能以估算氧化还原势,对于筛选氧化还原活性分子至关重要。虽然DFT能实现精确的量子力学计算,但其计算成本仍是大型材料筛选的障碍。本研究表明,两种FPs在预测PCET氧化还原势方面表现卓越,不仅与实验报告值高度一致,且与目标DFT计算的准确性相当,包括单点能量和Hessian矩阵等梯度量的预测。这转化为可靠的平衡结构和热力学性质预测能力。值得注意的是,尽管未直接对Hessian矩阵进行监督训练,FPs仍通过从能量和力中学习有效预测了Hessian。

然而,FPs在ET衍生离子上的性能揭示了本征精度的差异。UMA-s在1e? ET中优于MACE-OMol,而DFT单点修正对于缓解MACE-OMol较高的本征能量误差至关重要。对于1e? ET,FP优化几何的Hessian矩阵与DFT结果几乎一致,因此可直接用DFT精修单电子能量以获得与实验的良好吻合。但对于2e? ET过程,两种FPs均出现显著困难,如BNSN的2e?还原预测与实验数据存在0.237 V和0.195 V的偏差。Hessian矩阵显示出DFT与FPs之间的显著差异,表明优化构象偏离基态。这一失效模式类似于大型机器学习模型中已知的"幻觉"(hallucination)挑战——用监督学习训练的模型在分布外数据上可能产生物理不可靠或无意义的预测。这一问题对于将离散化学态(如电荷和自旋)嵌入为独热编码特征的结构尤为典型,模型准确解读这些特征的能力完全依赖于训练数据的充分监督。OMol25数据集的相关电解质子集有意聚焦于单电子得失系统的采样,导致对双负离子等2e?物种能量预测的重大误差,凸显了模型对代表性不足化学环境的有限迁移能力。

另一实践缺口在于FPs处理溶剂化效应的方式。由于MACE-OMol和UMA在气相DFT计算上预训练,隐式溶剂化模型无法直接应用,因为需要电子结构信息而FPs不提供。Born–Haber循环提供了务实的解决方案,其中SMD模型尤为适合基于FP的计算工作流程:其系统参数化了非静电贡献,通常能提供更精确的溶剂化自由能;且SMD模型的经验参数是使用气相优化分子构型针对实验溶剂化能优化开发的,确保与FP优化气相结构的直接兼容性。

**研究结论**

本研究提供了一系列FPs与多种量子化学方法在分子氧化还原势计算中的基准化比较。研究结果表明,FPs在PCET反应中表现卓越,但对多电子转移过程存在不准确性,这一局限性归因于对代表性不足的电荷和自旋态的分布外预测。因此,研究人员提出了一种最优计算工作流程:充分利用FPs进行结构优化和热化学校正的高效性,结合必要的DFT单点能量修正以及兼容的SMD溶剂化校正。这种务实且混合的方法为加速可持续应用材料的计算发现提供了一种更稳健、更可扩展的策略。该论文发表于《Precision Chemistry》。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号