计算材料未来新风口？这篇JACS告诉你！
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 Computational Science：由活动依赖性髓鞘形成的内稳态协调和神经活性上调
活动依赖性髓鞘形成(ADM)是大脑可塑性的一个基本维度，通过它髓鞘改变作为神经活动的功能。ADM通过胶质细胞的结构变化调节轴突传导速度。然而，尚不清楚神经活动如何影响髓鞘形成以编排神经信号的时间，以及ADM如何塑造神经活动。在此，为了解决这一挑战，来自加拿大渥太华大学的Afroditi Talidou建立了神经元-少突胶质细胞反馈增强的尖突神经元模型，并研究了ADM和神经活性之间的关系。研究发现，随着轴突长度的增加，ADM实现了一种内稳态增益控制机制，通过动作电位的时间协调来提高神经放电速率和相关性。刺激激活ADM的可塑性，从而触发传导延迟的双向和可逆变化，就像在学习过程中可能发生的那样。此外，在各种时变刺激下，ADM增强了信息传递。这些结果突出了ADM在形成神经活动和交流中的作用。
参考文献：
Talidou, A., Frankland, P.W., Mabbott, D. et al. Homeostatic coordination and up-regulation of neural activity by activity-dependent myelination. Nat Comput Sci (2022). https://doi.org/10.1038/s43588-022-00315-z
原文链接：
https://www.nature.com/articles/s43588-022-00315-z
2.npj Computational Materials：热电材料和系统识别材料表示的公共数据库，用于数据驱动发现
热电材料，作为能量收集装置和发电装置受到了广泛的关注。然而，由于含有合金和掺杂材料的热电材料结构的多样性和复杂性，发现新的高性能热电材料具有挑战性。在此，来自韩国化学技术研究所的Gyoung S. Na & Hyunju Chang等研究者为了高效的数据驱动新型热电材料的发现，构建了一个公共数据集，其中包含实验合成的热电材料及其实验热电性能。对于收集到的数据集，研究者能够构建回归问题中R2得分大于0.9的预测模型，从材料的化学成分预测实验测量的热电性能。此外，研究者为材料的化学成分设计了一个材料描述符，以提高机器学习方法的外推能力。基于提出的材料描述子的迁移学习，研究者在预测完全未探测材料组的材料的实验ZTs时，将R2评分从0.13显著提高到0.71。
参考文献：
Na, G.S., Chang, H. A public database of thermoelectric materials and system-identified material representation for data-driven discovery. npj Comput Mater 8, 214 (2022). https://doi.org/10.1038/s41524-022-00897-2
原文链接：
https://www.nature.com/articles/s41524-022-00897-2
3.JACS：进入未知:计算如何帮助探索未知的物质空间
人们迫切需要新型功能材料，来帮助应对人类面临的重大全球挑战，如气候变化和资源稀缺。然而，传统的实验材料发现过程缓慢，人们所掌握的材料空间太大，仅凭直觉引导的实验无法有效探索。大多数的实验材料发现项目，必然侧重于对已知材料的局部空间的探索，所以人们并没有充分开发出巨大的潜在材料空间，那里可能存在更多具有独特性能的新材料。由于开源软件和数据库以及计算机硬件的改进，计算有可能显著加速材料的合理开发，但往往只是用于将实验观察后置化。因此，理论引导实验的计算的真正预测能力没有得到充分利用。在此，来自英国帝国理工学院的Kim E. Jelfs等研究者，讨论了成功实现计算驱动的材料发现工作流程的挑战，然后关注该领域的进展，特别强调了实现新材料的挑战。
参考文献：
Austin M. Mroz, Victor Posligua, Andrew Tarzia, Emma H. Wolpert, and Kim E. Jelfs. Into the Unknown: How Computation Can Help Explore Uncharted Material Space. Journal of the American Chemical Society Article ASAP DOI: 10.1021/jacs.2c06833
原文链接：
https://pubs.acs.org/doi/10.1021/jacs.2c06833
4.JACS：纳米孔中形成单层水合盐的证据
尽管人们对纳米级离子水溶液的研究投入了大量的精力，但人们对这些体系的微观动力学和热力学行为的基本理解，在很大程度上仍然不完整。在此，来自宁波大学的Yunxiang Sun & 美国宾夕法尼亚大学的Joseph S. Francisco & 香港城市大学的曾晓成等研究者，首次报道了10 μs分子动力学模拟，为在环境条件下从埃级狭缝内的电解质水溶液中自发形成单层六边形蜂窝状水合盐XCl2·6H2O (X = Ba, Sr, Ca和Mg)提供了证据。通过经典分子动力学模拟和第一性原理Born-Oppenheimer分子动力学模拟，进一步证明水合盐不仅在常温下稳定，而且在高温下也稳定。这种在水中形成水合盐的现象与传统的看法相反。自由能计算和脱水分析表明，水合盐的自发形成是高承压水中离子水化作用和库仑吸引作用的相互作用。除了在分子水平上对纳米级离子水溶液的新行为提供洞察外，该发现可能对未来探索热行星上盐沉积中可能存在的水分子有参考意义。
参考文献：
Wenhui Zhao, Wen Wu Xu, Jian Jiang, Xiaorong Zhao, Xiangmei Duan, Yunxiang Sun, Joseph S. Francisco, and Xiao Cheng Zeng. vidence of Formation of Monolayer Hydrated Salts in Nanopores. Journal of the American Chemical Society Article ASAP DOI: 10.1021/jacs.2c07372
原文链接：
https://pubs.acs.org/doi/10.1021/jacs.2c07372
5.JACS：用机器学习将量子多电子问题简化为两个电子
在化学计算中一个突出的挑战是多电子问题，在这个问题中计算方法的规模与系统的规模相当大。任何分子的能量都可以用两个电子波函数的能量的加权和来表示，这些波函数只能从两个电子的计算中计算出来。尽管这个扩展的“aufbau”原理在物理上很优雅，但对一般分子系统的重量分布──双占据──一般的分子系统仍然是难以捉摸的。在此，来自美国芝加哥大学的David A. Mazziotti等研究者，介绍了一个电子结构的新范式，近似的双占位分布是通过卷积神经网络“学习”的。研究者表明，神经网络学习N-代表性的条件，分布的约束，以表示一个N-电子系统。通过训练只有2-7个碳原子的碳氢化合物异构体，研究者能够预测辛烷值和8-15个碳原子的碳氢化合物的异构体的能量。目前的工作表明，机器学习可以用于将多电子问题简化为有效的双电子问题，为准确预测电子结构开辟了新的机会。
参考文献：
LeeAnn M. Sager-Smith and David A. Mazziotti. Reducing the Quantum Many-Electron Problem to Two Electrons with Machine Learning. Journal of the American Chemical Society Article ASAP DOI: 10.1021/jacs.2c07112
原文链接：
https://pubs.acs.org/doi/10.1021/jacs.2c07112
