连续登刊！机器学习Nature与Science共绽放！
八月桂花正飘香，科研人员争芬芳！不问月宫深几许，但求文章早接受。
1.Nature Machine Intelligence：基于广义模板的图神经网络用于精确有机反应性预测
对化学反应性的可靠预测，仍停留在知识渊博的合成化学家的领域。在未来的数字实验室中，利用人工智能将这一过程自动化，可以加速合成设计。虽然一些机器学习方法，已经显示出了有希望的结果，但目前大多数模型，都偏离了人类化学家基于电子变化分析和预测反应的方法。在此，来自韩国科学技术院的Yousung Jung等研究者提出了一个名为LocalTransform的化学驱动图神经网络，它基于广义反应模板学习有机反应，描述反应物和生成物之间电子构型的净变化。研究者提出的概念，大大减少了反应规则的数量，并展示了最先进的产品预测精度。除了广义反应模板的内置可解释性外，该模型的高分-准确度相关性允许用户评估机器预测的不确定性。
参考文献：
Chen, S., Jung, Y. A generalized-template-based graph neural network for accurate organic reactivity prediction. NatMach Intell 4, 772–780 (2022). https://doi.org/10.1038/s42256-022-00526-z
原文链接：
https://www.nature.com/articles/s42256-022-00526-z
2.npj Computational Materials：基于物理的机器学习预测玻璃结构
机器学习(ML)，正在成为预测包括玻璃在内的材料性能的强大工具。将玻璃成分如何影响近程原子结构的知识告知ML模型，有可能增强成分-性质模型，在训练集之外进行精确外推的能力。在此，来自丹麦奥尔堡大学的Morten M. Smedskjaer等研究者介绍了一种方法，其中统计力学为ML模型提供了信息，可以预测氧化玻璃的非线性成分-结构关系。与单独依赖统计物理或机器学习的模型相比，这种组合模型提供了改进的预测。具体来说，研究者证明了组合模型准确地插值和外推Na2O-SiO2玻璃的结构。重要的是，该模型能够外推训练集之外的预测，这一点可以从这样一个事实得到证明：它能够预测在训练过程中完全隐藏的玻璃系列的结构。
参考文献：
Bødker, M.L., Bauchy, M., Du, T. et al. Predicting glass structure by physics-informed machine learning. npj ComputMater 8, 192 (2022). https://doi.org/10.1038/s41524-022-00882-9
原文链接：
https://www.nature.com/articles/s41524-022-00882-9
3.npj Computational Materials：锂离子电池X射线层析成像的自监督图像质量评价
图像感知，在基于层析的微观结构表征方法中起着基础性作用，并对图像处理的所有后续阶段(如分割和3D分析)产生深远影响。然而，图像感知的增强，常常涉及到观察者的依赖性，这反映了用户对用户的离散性和计算参数的不确定性。在此，来自法国国家研究中心的Arnaud Demortière等研究者，提出了一种客观定量的方法，利用卷积神经网络(CNN)对X射线层析成像图像的质量进行评估。由于只有几十个注释，研究者的方法允许直接和精确地评估层析图像的质量。研究者采用了不同的指标来评估预测分数和主观的人类注释之间的相关性。评估结果表明，研究者的方法可以直接指导增强过程，以产生可靠的分割结果。因此，层析成像的处理，可以演变成一个鲁棒的独立于观察者的过程，并朝着高效的自监督方法的发展前进。
参考文献：
Zhang, K., Nguyen, TT., Su, Z. et al. Self-supervised image quality assessment for X-ray tomographic images of Li-ion battery. npj Comput Mater 8, 194 (2022). https://doi.org/10.1038/s41524-022-00870-z
原文链接：
https://www.nature.com/articles/s41524-022-00870-z
4.JACS：一个灵活和可扩展的方案，可从不同的理论层次进行混合计算形成能
基于高通量密度泛函理论(DFT)的大型性质数据库，为计算材料的发现工作提供了支持，该数据库目前包含数百万个广义梯度近似(GGA)理论级别的计算。现在，使用更精确的方法进行高通量计算是可行的，例如meta-GGA DFT；然而，使用高保真度的方法重新计算整个数据库将无法有效利用现有(GGA)计算中所包含的计算资源的巨大投资。在此，来自美国加州大学伯克利分校的Kristin A. Persson等研究者，在这里提出了一个通用程序，通过该程序，高保真度、低覆盖率的计算(例如，选定化学系统的元GGA计算)可以与低保真度、高覆盖率的计算(例如，现有的GGA计算数据库)以健壮和可扩展的方式结合起来。然后，研究者使用来自Materials Project数据库的遗留PBE(+U) GGA计算和新的r2SCAN meta-GGA计算来证明该方案改善了固相和水相稳定性预测，并讨论了其实现的实际考虑。
参考文献：
James R. Howard, Arya Bhakare, Zara Akhtar, Christian Wolf, and Eric V. Anslyn. Data-Driven Prediction of Circular Dichroism-Based Calibration Curves for the Rapid Screening of Chiral Primary Amine Enantiomeric Excess Values Journal of the American Chemical Society Article ASAP DOI: 10.1021/jacs.2c08127
原文链接：
https://www.nature.com/articles/s41524-022-00881-w
5.npj Computational Materials：利用图神经网络将晶体中原子结构缺陷与中尺度性质联系起来
固体中存在大量的结构缺陷，对材料的宏观性能至关重要。然而，缺陷-性能连接，通常需要大量的实验或模拟工作，并且由于纳米设计空间的宽度，通常包含有限的信息。在此，来自美国美国麻省理工学院的Markus J. Buehler等研究者，报告了一种基于图神经网络(GNN)的方法，来实现中尺度晶体结构和原子级性能之间的直接转换，强调结构缺陷的影响。研究者的端到端方法，在预测具有不同缺陷的多个系统的原子应力和势能方面，具有良好的性能和通用性。此外，该方法还精确地捕捉了严格遵守物理规律的导数性质，再现了在不同边界条件下的性质演化。通过结合遗传算法，研究者设计了具有最佳全局特性和目标局部模式的从头原子结构。该方法将显著提高在结构缺陷条件下评估原子行为的效率，并加快细观层面的设计过程。
参考文献：
Yang, Z., Buehler, M.J. Linking atomic structural defects to mesoscale properties in crystalline solids using graph neural networks. npj Comput Mater 8, 198 (2022). https://doi.org/10.1038/s41524-022-00879-4
原文链接：
https://www.nature.com/articles/s41524-022-00879-4
