顶刊速报！可调结构和性能二维胶体超晶格通用平台
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 Communications：利用全局蒙特卡罗优化发现二维二元纳米粒子超晶格
二元纳米粒子(NP)超晶格，表现出独特的集体等离子体、磁性、光学和电子性质。在此，为了解决这一挑战，来自美国杜克大学的Gaurav Arya等研究者通过计算证明了当NP物种与形成界面的流体表现出不同的混相时，流体-流体界面如何用于自组装NP二元系统到2D超晶格。研究者开发了一种为界面捕获结构量身定制的盆地跳跃蒙特卡罗(BHMC)算法，以快速确定NP的基态配置，使人们能够探索在界面处形成的二进制NP结构的曲目。通过改变NP尺寸比、粒子间相互作用强度以及NP与两种流体混相的差异，研究者展示了一系列精美的二维周期结构的组装，包括AB、AB2和AB3型单层超晶格以及AB、AB2、A3B5和A4B6型双层超晶格。研究结果表明，这种界面组装方法可能是制备具有可调结构和性能的二维胶体超晶格的通用平台。
参考文献：
Zhou, Y., Arya, G. Discovery of two-dimensional binary nanoparticle superlattices using global Monte Carlo optimization. Nat Commun 13, 7976 (2022). https://doi.org/10.1038/s41467-022-35690-8
原文链接：
https://www.nature.com/articles/s41467-022-35690-8
2.Nature Computational Science：高维数据的动态可视化
降维(DR)，通常用于将高维数据投影到低维进行可视化，然后可以生成新的见解和假设。然而，DR算法在可视化中引入了失真，不能忠实地表示数据中的所有关系。因此，需要有方法来评估DR可视化的可靠性。在此，来自美国斯坦福大学的James Zou等研究者提出了DynamicViz，一个用于生成动态可视化的框架，它捕获了DR可视化对自举抽样导致的数据扰动的敏感性。DynamicViz可以应用于所有常用的容灾方法。研究者展示了动态可视化在诊断静态可视化的常见解释缺陷和扩展现有单细胞分析方面的效用。研究者引入方差评分，来量化这些可视化观察的动态可变性。方差评分表征了数据的自然可变性，可用于优化DR算法实现。
参考文献：
Sun, E.D., Ma, R. & Zou, J. Dynamic visualization of high-dimensional data. Nat Comput Sci (2022). https://doi.org/10.1038/s43588-022-00380-4
原文链接：
https://www.nature.com/articles/s43588-022-00380-4
3.Nature Computational Science：带映射和带结构之间的机器学习路径
电子带结构和晶体结构是固态材料的两个互补标识。虽然方便的仪器和重建算法，已经使大型的经验晶体结构数据库成为可能，但从光电发射带映射数据中提取准粒子色散(与带结构密切相关)目前受到现有计算方法的限制。在此，为了应对光电发射数据不断增长的规模和规模，来自英国伦敦大学学院的R. Patrick Xian&德国马克斯普朗克智能系统研究所的VincentStimper & StefanBauer & Ralph Ernstorfer等研究者利用理论计算开发了一个管道，包括概率机器学习和相关的数据处理，优化和评估方法，用于带结构重建。该管道重构了半导体的所有14个价带，并在基准和其他材料数据集上显示出出色的性能。重建揭示了以前在全球和局部尺度上无法获得的动量空间结构信息，同时实现了与材料科学数据库集成的路径。该方法说明了结合机器学习和领域知识，在多维数据中进行可扩展特征提取的潜力。
参考文献：
Xian, R.P., Stimper, V., Zacharias, M. et al. A machine learning route between band mapping and band structure. Nat Comput Sci (2022). https://doi.org/10.1038/s43588-022-00382-2
原文链接：
https://www.nature.com/articles/s43588-022-00382-2
4.Nature Computational Science：约束伞形抽样模拟的结合亲和估计
蛋白质-配体结合亲和力，量化了蛋白质与其配体之间的结合强度。计算机建模和模拟，可以使用数据驱动或物理驱动的方法或两者的组合，来估计结合亲合力或结合自由能。在此，来自美国阿肯色大学的Mahmoud Moradi等研究者讨论了一种基于偏压分子动力学模拟的纯物理采样方法。研究者提出的方法概括并简化了以前建议的分层策略，这些策略使用伞形抽样或其他增强的抽样模拟，并附加了基于集体变量的约束。这里介绍的方法使用了一种灵活的方案，可以很容易地针对任何感兴趣的系统进行调整。研究者估计了成人纤维细胞生长因子1与肝素六糖的结合亲和力，基于该复合物的可用晶体结构作为初始模型，并将所提方法的四种不同变化与等温滴定量热实验获得的实验确定的结合亲和力进行了比较。
参考文献：
Govind Kumar, V., Polasa, A., Agrawal, S. et al. Binding affinity estimation from restrained umbrella sampling simulations. Nat Comput Sci (2022). https://doi.org/10.1038/s43588-022-00389-9
原文链接：
https://www.nature.com/articles/s43588-022-00389-9
5.npj Computational Materials：通过极化子缺陷态确定的哈伯德U
自Anisimov及其同事的初步工作以来，Hubbard修正的DFT+U泛函，已被用于预测相关材料的性质，通过将现场有效库仑相互作用应用于特定的轨道。然而，Hubbard U参数的确定，仍然处于激烈的讨论中，尽管提出了许多方法。在此，来自瑞士洛桑联邦理工大学的Stefano Falletta等研究者定义了一个基于使用极化子缺陷态的选择准则，以加强电子占据时总能量的分段线性。极化子的电子和结构性质，包括形成能，与分段线性杂化泛函的结果有很好的一致性。用这种方法确定的U值，发现给出了极化子在考虑状态变化时能量学的可靠描述。特别地，研究者还分析了极化子跳变路径，发现确定的U值可以得到精确的能量学，而不需要依赖于构型的U。强调的是，U的选择应该基于与U所应用的轨道直接相关的物理性质，而不是更全面的性质，如带隙和带宽。为了进行比较，研究者还通过一个完善的线性响应方案确定了U，发现U的值明显不同，因此形成能也不同。研究者还讨论了这些差异的可能来源。研究者以BiVO4中的自捕获电子、MgO中的自捕获空穴、MgO中的Li捕获空穴和α-SiO2中的Al捕获空穴为例进行了研究。
参考文献：
Falletta, S., Pasquarello, A. Hubbard U through polaronic defect states. npj Comput Mater 8, 263 (2022). https://doi.org/10.1038/s41524-022-00958-6
原文链接：
https://www.nature.com/articles/s41524-022-00958-6
