谱构效数据驱动的机器化学家探索
江俊教授
中国科学技术大学
摘要：
随着物质科学研究深入复杂体系，结构与性质的演化复杂度陡增，传统研究范式下的数学映射关系逐渐变得模糊。人工智能技术擅长从数据中探索变量之间的高维关联，为底层规则清晰而变量复杂的科学问题提供求解思路。我们通过发展机器学习与量子化学计算结合的理论方法，一方面挖掘与谱学观测相关的化学描述符，利用机器学习在保持量子化学精度的前提下大幅度提升光谱计算的效率，实现蛋白质分子光谱、催化剂表面分子光谱的高效模拟；另一方面借助机器学习破解复杂系统的谱学规则，推演光谱响应、化学结构、物化性质之间的数学关系乃至理论规律，为具备“科学思维”的机器化学家提供数据支撑、智能软件和系统基础。
简介：
中国科学技术大学化学物理系教授，瑞典皇家工学院化学博士。入选国家自然科学基金杰出青年基金、国家科技部青年973项目负责人。发展融合人工智能与大数据技术的量子化学模拟方法，研究在多个物理化学应用领域中的实际问题（能源催化、功能材料、光化学等）。发表SCI论文150余篇，在量子器件和新材料领域获专利10余项。主持开发6个计算软件包在国内外研究机构和产业应用。曾获中国化学会唐敖庆青年理论化学家奖、日本化学会亚洲杰出讲座奖。
代表性论文：
1. An data-driven all-round AI-Chemist with scientific mind, Natl. Sci. Rev. (2022) DOI: 10.1093/nsr/nwac190.
2. Quantitatively Determining Surface–Adsorbate Properties from Vibrational Spectroscopy with Interpretable Machine Learning, J. Am. Chem. Soc. 144 (2022) 16069-16076.
3. Chemistry Informed Molecular Graph as Reaction Descriptors for Machine Learned Retro-Synthesis Planning, Proc Natl Acad Sci USA. 119 (2022) e2212711119.
4. Electronic Spin Moment as a Catalytic Descriptor for Fe Single-Atom Catalysts Supported on C2N, J. Am. Chem. Soc. 143 (2021) 4405-4413.
5. A Machine Learning Protocol for Predicting Protein Infrared Spectra, J. Am. Chem. Soc. 142 (2020) 19071-19077.
报告时间：2022年10月10日 15：00
腾讯会议：303 232 403