顶刊速报！5篇Nature子刊
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！
Nature Machine Intelligence：条件位移下偏微分方程的深度迁移算子学习
迁移学习，能够将学习执行一个任务(源)时获得的知识，转移到相关但不同的任务(目标)，从而解决数据采集和标记的费用、潜在的计算能力限制和数据集分布不匹配的问题。在此，为了解决这一挑战，来自美国布朗大学的Somdatta Goswami & George Em Karniadakis和约翰霍普金斯大学的Katiana Kontolati & Michael D. Shields等研究者提出了一种基于深度算子网络(DeepONet)的条件移位下的任务特定学习(偏微分方程中的函数回归)的新的迁移学习框架。特定于任务的算子学习是通过使用混合损失函数微调目标DeepONet的特定于任务的层来完成的，该函数允许匹配单个目标样本，同时还保留目标数据条件分布的全局属性。受条件嵌入算子理论的启发，研究者通过将条件分布嵌入到再现核希尔伯特空间上，最小化标记目标数据与未标记目标数据上的代理预测之间的统计距离。研究者证明了该方法的优势，各种迁移学习场景涉及在不同的条件下的非线性偏微分方程，由于在几何领域和模型动力学的转移。该迁移学习框架能够快速高效地学习异构任务，尽管源域和目标域之间存在相当大的差异。
参考文献：
Goswami, S., Kontolati, K., Shields, M.D. et al. Deep transfer operator learning for partial differential equations under conditional shift. Nat Mach Intell (2022). https://doi.org/10.1038/s42256-022-00569-2
原文链接：
https://www.nature.com/articles/s42256-022-00569-2
2.Nature Communications：胶体形状的五重和二十面体孪生簇的熵工程形成
由多重孪生晶体结构诱导的五重和二十面体对称已被广泛研究，因为它们在影响合成纳米颗粒形状方面的作用，溶液化学或几何限制被广泛认为是必不可少的。在此，来自美国密歇根大学的Marco W. Fraaije等研究者报告了分子模拟中纯熵驱动的五重和二十面体孪生粒子簇的形成，没有几何限制或化学。硬截断四面体根据边缘和顶点截断量的不同，自组装成立方或六边形金刚石胶体晶体。通过设计粒子形状，使两个金刚石相之间的熵差可以忽略不计，研究表明，多孪晶团簇的形成很容易被诱导。由强熵键引起的强液晶界面张力，使孪晶团簇在致密流体中熵稳定。该发现为粒子间有或没有显式键元的胶体系统中的孪生行为，提供了一种工程策略。
参考文献：
Lee, S., Glotzer, S.C. Entropically engineered formation of fivefold and icosahedral twinned clusters of colloidal shapes. Nat Commun 13, 7362 (2022). https://doi.org/10.1038/s41467-022-34891-5
原文链接：
https://www.nature.com/articles/s41467-022-34891-5
3.Nature Computational Science：用不可定义的边缘能量定义二维晶体的形状
晶体的平衡形状是具有美学吸引力和实际重要性的基本性质：形状及其方面，控制着催化、发光、传感、磁性和等离子体行为。它也是潜在的原子尺度力和化学组成的可见宏观表现，最明显的二维(2D)材料的强烈兴趣。如果已知晶体表面/边缘能量的不同方向，它的形状可以通过几何伍尔夫结构得到，这是晶体物理学的一个原则；然而，如果缺乏对称性，晶体边缘能量就无法定义或计算，因此它的形状变得难以捉摸，这对理论来说是一个无法克服的问题。在此，来自美国莱斯大学的Boris I. Yakobson等研究者，展示了如何通过精心规划的计算，对一个独特的晶体形状进行辅助边缘能量的建设性预测。研究者对具有C2v对称性的SnSe等具有挑战性的材料进行了演示，甚至对完全没有对称性的C1的AgNO2进行了演示。
参考文献：
Wang, L., Shirodkar, S.N., Zhang, Z. et al. Defining shapes of two-dimensional crystals with undefinable edge energies. Nat Comput Sci 2, 729–735 (2022). https://doi.org/10.1038/s43588-022-00347-5
原文链接：
https://www.nature.com/articles/s43588-022-00347-5
4.Nature Computational Science：周期表的通用图深度学习原子间势
原子间势(IAPs)描述原子的势能面，是原子模拟的基本输入。然而，现有的IAPs要么只适用于狭窄的化学领域，要么对一般应用来说太不准确。在此，来自美国加州大学圣迭戈分校的Chi Chen & Shyue Ping Ong等研究者报告了一个基于具有三体相互作用的图神经网络(M3GNet)的通用IAP。M3GNet IAP是在材料项目，在过去十年中进行的大规模结构松弛数据库上进行训练的，在不同化学空间的结构松弛、动态模拟和材料性能预测方面具有广泛的应用。从3100万种假设晶体结构中筛选出的约180万种材料，被确定为与现有材料项目基于M3GNet能量的晶体相比具有潜在的稳定性。在凸包以上能量最低的前2000种材料中，使用密度泛函理论计算验证了1578种材料是稳定的。
参考文献：
Chen, C., Ong, S.P. A universal graph deep learning interatomic potential for the periodic table. Nat Comput Sci 2, 718–728 (2022). https://doi.org/10.1038/s43588-022-00349-3
原文链接：
https://www.nature.com/articles/s43588-022-00349-3#citeas
5.Nature Computational Science：实验量子对抗学习与可编程超导量子比特
量子计算，有望增强机器学习和人工智能。然而，最近的理论工作表明，与基于深度经典神经网络的传统分类器类似，量子分类器也会受到对抗性扰动的影响。在此，来自清华大学的Dong-Ling Deng & 浙江大学的Chao Song & H. Wang等研究者报告了，一个实验演示的量子对抗学习与可编程超导量子位。研究者训练量子分类器，它建立在变分量子电路上，由10个传输量子比特组成，平均寿命为150μs，同时单量子比特门和双量子比特门的平均保真度分别高于99.94%和99.4%，同时使用现实生活中的图像(例如医学磁共振成像扫描)和量子数据。研究者证明，这些训练良好的分类器(测试准确率高达99%)实际上可以被小的对抗性扰动所欺骗，而对抗性训练过程将大大增强它们对此类扰动的鲁棒性。
参考文献：
Ren, W., Li, W., Xu, S. et al. Experimental quantum adversarial learning with programmable superconducting qubits. Nat Comput Sci 2, 711–717 (2022). https://doi.org/10.1038/s43588-022-00351-9
原文链接：
https://www.nature.com/articles/s43588-022-00351-9
