GenGLem：融合潜空间探索与条件扩散的双路径分子构型生成框架及其在爆炸性能高通量预测中的应用

《Communications Chemistry》：GenGLem as a generative framework for capturing chemical cliffs in energetic materials

　　

摘要

爆炸性能的高通量预测目前受限于势能面（PES）采样的高昂计算成本以及无法考虑复杂环境条件。在此，我们开发了 GenGLem，这是一个具有潜空间探索和微观结构指导特征的双路径生成框架。GenGLem 将构型采样从传统的基于轨迹的搜索彻底转变为直接的端到端潜空间生成。通过在探索流程中整合无条件潜空间探索和条件扩散路径，该框架纳入了热力学变量和环境因素——包括温度、压力和溶剂——以实现有针对性的、环境诱导的采样。验证表明，71.7-91.8% 的生成构象体具有能量优势，与模拟退火相比，展现出卓越的稳定性和多样性，加速约 1200 倍。关键的是，GenGLem 捕捉到了显著的环境诱导结构重组，并与实验观察保持高度一致。本研究建立了一个桥接深度学习与分子动力学以实现快速 PES 采样的新框架，为推进分子性质预测和计算化学应用提供了一个有前景的工具。