《Journal of Chemical Theory and Computation》：Reactive Chemistry at the Unrestricted Coupled Cluster Level: High-Throughput Calculations for Training Machine Learning Potentials
编辑推荐：
在原子层面精确建模化学反应需要高级电子结构理论，因为存在未配对电子，且需恰当描述键断裂与形成的能量学。常用方法如密度泛函理论（DFT）常因公认缺陷而在此任务中失败。然而，对于高保真方法，创建用于训练机器学习原子间势（MLIP）或力场的反应过程能量和力的大型数据
在原子层面精确建模化学反应需要高级电子结构理论，因为存在未配对电子，且需恰当描述键断裂与形成的能量学。常用方法如密度泛函理论（DFT）常因公认缺陷而在此任务中失败。然而，对于高保真方法，创建用于训练机器学习原子间势（MLIP）或力场的反应过程能量和力的大型数据集令人望而却步。例如，使用非限制耦合簇（unrestricted coupled cluster）理论水平先前被视为不可行，原因是高计算成本、许多计算代码中缺乏解析梯度，以及构建合适基组校正力等额外挑战。在本工作中，研究人员开发了新方法和工作流程，以克服自动化非限制耦合簇计算固有的挑战。利用这些进展，研究人员创建了一个气相反应数据集，包含在黄金标准水平的非限制CCSD(T)（非限制耦合簇单双激发与微扰三重激发）下计算的3119种不同有机分子构型的能量和力。利用该数据集，研究人员分析了密度泛函与非限制CCSD(T)描述之间的差异。研究人员开发了一个可迁移的MLIP，用于气相反应，并在非限制CCSD(T)数据上训练，展示了从DFT数据转向的优点。从训练DFT转向训练UCCSD(T)数据集，在力精度上提高了超过0.1 eV/?，在活化能再现上提高了超过0.1 eV。
论文解读文章
**研究背景与问题**
原子级模拟化学反应是计算化学的核心挑战之一。由于反应过程中存在未配对电子，且需要准确描述键断裂与形成的能量学，必须采用高级电子结构理论。常用的密度泛函理论（DFT）方法虽效率高，但常因交换相关泛函的固有缺陷而无法准确描述反应路径和过渡态能垒，特别是在涉及强电子关联和自旋破坏时。相比之下，非限制耦合簇单双激发与微扰三重激发（UCCSD(T)）方法被视为量子化学的“黄金标准”，能为小分子提供高精度基态能量和力。然而，UCCSD(T)计算成本极高，缺乏解析梯度代码，且需要基组校正，导致大规模数据集生成困难。机器学习原子间势（MLIP）能以远低于高水平量子力学（QM）方法的计算成本提供高精度预测，但其训练必须依赖大量QM数据。此前，MLIP多基于DFT数据，精度受限于DFT本身。因此，创建可迁移的、基于UCCSD(T)水平的反应性MLIP是领域内的重要目标。
**研究内容与结论**
研究人员开展了以下工作：开发了自动化工作流程，克服了非限制耦合簇计算中的关键挑战，包括使用Hartree-Fock稳定性分析自动选择非限制参考、构建基组校正（针对能量和力）以及设计自动过滤协议去除不可靠结构（如靠近Coulson-Fischer点的结构）。利用主动学习策略，从现有数据集（Transition-1x、ref 30反应路径、QM9）出发，结合二聚体法、弹性带法（NEB）和单端生长弦法（SEGS）采样新结构，最终创建了一个包含3119个气相有机分子构型的UCCSD(T)/QZ*能量和力数据集。通过分析与DFT的差异，发现B3LYP、PBE0和ωB97X等泛函在力和活化能上与UCCSD(T)存在系统性偏差。基于该数据集，研究人员采用迁移学习（先训练DFT-MLIP，再微调至UCCSD(T)数据）训练了可迁移的MLIP（HIP-HOP-NN模型），并展示了其性能：在力精度和活化能再现上均优于DFT训练的MLIP，且在某些情况下优于DFT计算本身。该研究发表在《Journal of Chemical Theory and Computation》。
**主要关键技术方法**
研究人员使用了以下关键技术方法：1）Hartree-Fock稳定性分析，用于自动选择非限制参考并确保基态；2）基组校正方案，通过组合UCCSD(T)/DZ、UCCSD/TZ、UMP2/QZ和UMP2/TZ等水平的计算，逼近UCCSD(T)/QZ水平，并应用于能量和力；3）自动过滤协议，基于?S2?值和轨道Hessian最小本征值，剔除靠近Coulson-Fischer点的不可靠结构；4）主动学习采样，使用MLIP集成模型的不确定性驱动，结合二聚体法、NEB和SEGS方法，从现有数据集（Transition-1x、ref 30反应路径、QM9）出发生成新结构；5）迁移学习策略，先训练较大DFT数据集的MLIP，再微调至较小UCCSD(T)数据集。
**研究结果**
**3.1 分析UCCSD(T)数据集**
**3.1.1 反应物、产物和过渡态**：研究人员比较了三种DFT泛函（ωB97X/6-31G(d)、PBE0、B3LYP）与UCCSD(T)/QZ*在950个反应物、产物和过渡态结构上的力。结果显示，所有DFT泛函的力均集中分布在零附近，但过渡态结构的均方根误差（RMSE）高于反应物和产物。活化能比较表明，B3LYP和PBE0系统性高估势垒，ωB97X则低估势垒。这些差异将显著影响反应速率等计算性质。
**3.1.2 沿反应路径构建的数据集**：对216个沿反应路径采样的结构（NEB、二聚体、SEGS方法生成）进行分析，发现远离平衡构型时，DFT与UCCSD(T)力之间的偏差增大，且斜率偏离1。例如，NEB/二聚体采样结构的力分量RMSE为0.47-0.50 eV/?，SEGS采样结构为0.73-0.81 eV/?。这强调了高质量离平衡数据对反应路径和自由能计算的重要性。
**3.2 拟合可迁移的MLIP至UCCSD(T)数据**
研究人员训练了基于HIP-HOP-NN模型的MLIP，并评估其在UCCSD(T)测试集上的表现。结果显示，UCCSD(T)训练的MLIP在力再现上（RMSE约0.18 eV/?）优于DFT训练的MLIP（RMSE约0.46 eV/?），且活化能再现的RMSE为0.252 eV，优于ωB97X DFT计算（0.377 eV）。此外，MACE-MP基础模型微调至UCCSD(T)数据后，力误差同样降低至0.18 eV/?。研究人员还测试了MLIP的外推能力：对11个大于训练集分子的氢提取键解离曲线，平均键解离能RMSE为0.485 eV；对HCN异构化和环状异构化反应，MLIP能再现最小能量路径和过渡态，但势垒高度略有高估。这些结果表明，UCCSD(T)数据训练的MLIP在反应性模拟中具有显著优势，且计算成本极低（每个力评估约15 ms）。
**总结与讨论**
本研究通过自动化工作流程成功生成了大规模UCCSD(T)能量和力数据集，并训练了可迁移的MLIP，实现了优于DFT的精度。讨论中指出，自动化QM软件的性能和鲁棒性仍需提升，多参考计算方法的自动化可能是未来方向。此外，将技术扩展到凝聚相是一大挑战，需改进采样方法和高级QM方法。研究人员还发现，自动化采样产生了许多化学家不常设计的结构，这既扩展了化学空间，也考验了QM方法的极限。通过排除不可靠结构，构建有机分子数据集变得更加简洁。
**研究结论翻译**：研究人员已证明，UCCSD(T)水平的解析力和能量计算可以大规模、自动化地进行，以生成机器学习数据集。研究人员开发的实际适应措施包括力的基组校正和识别“问题”UCCSD(T)结构（尤其是自旋对称性破坏引起的结构）的策略。研究人员进一步展示了，通过数千个分子的UCCSD(T)数据集和迁移学习，可以开发用于化学反应的MLIP，其性能优于基于DFT计算的MLIP，并且在多种情况下优于DFT计算本身。本研究生成的数据集将在论文发表后提供给社区。
