非金属材料！这篇Nature Communications探索未知可塑性及韧性！
秋去冬来，北风凛冽，科研人宅在实验室捣鼓实验；
寒来暑往，四季更替，计算人猫在电脑前拨弄数据！
是谁大杀西方？是谁傲视群雄？是谁睥睨天下？答案在这里！
Nature Communications：位错重构对SrTiO3陶瓷Peierls塑性的理论研究
受最近出现的具有意想不到的室温位错介导塑性的陶瓷和半导体的启发，深入了解非金属材料中的位错运动过程，变得越来越重要。在此，为了解决这一挑战，来自清华大学的Chunlei Wan等研究者提出了局部失配能，以准确推导出SrTiO3陶瓷中的Peierls 应力和位错过程，代替了考虑剪切面附近原子的面内自由度，描述复杂化学键断裂和再结合过程的广义层错(GSF)方法。特别地，研究者发现局域失配能具有异常的剪切依赖性，这源于Ti-O键的重键过程和晶格偶极子的反转。此外，该方法预测了，由于晶格偶极子反转的消失，平均失配能和培尔斯应力的降低，SrTiO3中的氧空位可以促进位错的形核和激活，并提高断裂韧性。这项工作，为非金属材料的位错过程提供了前所未有的见解，这可能对调整塑性和探索未知的韧性成分带来启示。
参考文献：
Li, Y., Liu, X., Zhang, P. et al. Theoretical insights into the Peierls plasticity in SrTiO3 ceramics via dislocation remodelling. Nat Commun 13, 6925 (2022). https://doi.org/10.1038/s41467-022-34741-4
原文链接：
https://www.nature.com/articles/s41467-022-34741-4
2.Nature Communications：机器学习分子激发态的Hohenberg-Kohn图
密度泛函理论的Hohenberg-Kohn定理，建立了一个多体系统的基态电子密度和外部电位之间的双射的存在。这保证了从电子密度到所有相关观测值(包括电子激发态能)的一一对应映射。含时密度泛函理论(TDDFT)提供了一个解决这一映射的框架；然而，实际TDDFT计算中固有的近似，以及它们的计算费用，促使寻找一个更便宜、更直接的电子激励映射。在此，来自上海纽约大学的William J. Glover等研究者表明，通过机器学习确定密度和能量泛函可以绕过TDDFT的方程。研究者介绍的框架用于第一次使用机器学习泛函数，对丙二醛进行激发态分子动力学模拟，并正确捕获其激发态分子内质子转移的动力学，从而深入了解如何利用机械约束来控制该分子中的质子转移反应。这一发展，为使用机器学习泛函进行高效激发态动力学模拟打开了大门。
参考文献：
Bai, Y., Vogt-Maranto, L., Tuckerman, M.E. et al. Machine learning the Hohenberg-Kohn map for molecular excited states. Nat Commun 13, 7044 (2022). https://doi.org/10.1038/s41467-022-34436-w
原文链接：
https://www.nature.com/articles/s41467-022-34436-w
3.Nature Machine Intelligence：利用自监督图像表示学习框架对分子性质和药物靶点进行精确预测
药物的临床疗效和安全性，取决于其分子性质和在人体中的靶点。然而，对人类，甚至动物模型中所有化合物的蛋白质组范围的评估，是极具挑战性的。在此，来自美国凯斯西储大学的FeixiongCheng等研究者，提出了一个名为ImageMol的无监督预训练深度学习框架，对1000万个未标记的类药物生物活性分子进行预训练，以预测候选化合物的分子目标。ImageMol框架的设计是基于像素中分子的局部和全局结构特征，从未标记的分子图像中预训练化学表示。研究者在51个基准数据集中展示了ImageMol在评估分子特性(即药物的代谢、脑穿透和毒性)和分子靶谱(即β -分泌酶和激酶)方面的高性能。ImageMol在国家推进转化科学中心的13个高通量实验数据集中显示了识别抗-SARS-CoV-2 分子的高精度。通过ImageMol，研究者确定了可能治疗COVID-19的候选临床3C-类蛋白酶抑制剂。
参考文献：
Zeng, X., Xiang, H., Yu, L. et al. Accurate prediction of molecular properties and drug targets using a self-supervised image representation learning framework. Nat Mach Intell 4, 1004–1016 (2022). https://doi.org/10.1038/s42256-022-00557-6
原文链接：
https://www.nature.com/articles/s42256-022-00557-6
4.Nature Machine Intelligence：闭合-连续时间神经网络
连续时间神经网络是一类机器学习系统，可以处理时空决策任务的表示学习。这些模型，通常用连续微分方程表示。然而，当它们被部署到计算机上时，它们的表达能力被数值微分方程求解器所限制。这种限制明显地减缓了对许多自然物理现象(如神经系统动力学)的扩展和理解。理想情况下，人们可以通过求解封闭形式的给定动力系统来绕过这个瓶颈。然而，这是众所周知的棘手问题。在此，来自美国麻省理工学院的Ramin Hasani等研究者证明，神经元和突触(自然和人工神经网络的组成部分)之间的相互作用是有可能接近的，它们是由封闭的液体时间常数网络高效地构建的。为此，研究者计算了液体时间常数动力学中出现的一个积分解的紧密边界近似解，该积分解迄今为止还没有已知的封闭解。这种封闭解影响了连续时间和连续深度神经模型的设计。例如，由于时间以封闭形式显式地出现，这个公式放松了对复杂数值求解器的需要。因此，与基于微分方程的对应模型相比，研究者得到的模型在训练和推理方面要快1到5个数量级。更重要的是，与基于常微分方程的连续网络相比，与其他深度学习实例相比，闭型网络具有显著的扩展性。最后，由于这些模型来源于液体网络，与先进的循环神经网络模型相比，它们在时间序列建模中表现出了良好的性能。
参考文献：
Hasani, R., Lechner, M., Amini, A. et al. Closed-form continuous-time neural networks. Nat Mach Intell 4, 992–1003 (2022). https://doi.org/10.1038/s42256-022-00556-7
原文链接：
https://www.nature.com/articles/s42256-022-00556-7
5.npj Computational Materials：指导晶圆尺度二维材料MOCVD生长的计算框架
利用化学气相沉积(CVD)工艺，对二维(2D)材料进行可复制的晶圆尺度生长，并对其性能进行精确控制，这是具有挑战性的，因为缺乏对跨越多个长度尺度的生长机制的了解，以及合成对生长条件细微变化的敏感性。在此，来自美国阿拉巴马大学的Kasra Momeni等研究者，建立了一个多尺度计算框架，将计算流体动力学(CFD)、相场(PF)和反应分子动力学(MD)耦合起来，称为CPM模型，并进行了实验验证。对金属-有机CVD (MOCVD)生长的WSe2模型材料的理论预测和彻底的实验测量之间的相关性，揭示了这种计算方法的全部力量。在计算分析的指导下，利用MOCVD合成了大面积均匀的二维材料。该计算框架，为精确控制覆盖范围、形貌和性能的晶圆尺度二维材料的合成提供了基础，这是制造电子、光电子和量子计算器件的关键能力。
参考文献：
Momeni, K., Ji, Y., Nayir, N. et al. A computational framework for guiding the MOCVD-growth of wafer-scale 2D materials. npj Comput Mater 8, 240 (2022). https://doi.org/10.1038/s41524-022-00936-y
原文链接：
https://www.nature.com/articles/s41524-022-00936-y
