編輯 | ScienceAI

近日，浙江大學杭州國際科創中心生物與分子智造研究院邢華斌教授團隊和陳華鈞教授團隊瞄準多孔吸附劑材料的精準智造，開發出專家知識共學習的晶態多孔材料吸附性能端對端深度學習框架 DeepSorption，有效提升多孔材料吸附性能的預測精度與速度，并實現了原子尺度的可解釋性。

這一成果以《Direct prediction of gas adsorption via spatial atom interaction learning》為題，于 2023 年 11 月 3 日發表在《Nature?Communications》上。

基于多孔材料的物理吸附技術為二氧化碳捕獲、能源氣體儲存、化工分離過程等全球挑戰提供了低成本和節能環保的解決方案。然而，基于?trial-and-error?實驗范式的傳統高性能多孔材料的篩選和設計方式受到實驗時間長、試錯成本高等問題的阻礙。

機器學習通過學習多孔材料及其物理吸附行為的知識，為快速發現具有所需吸附特性的材料提供了一種有效的方法。傳統的基于專家設計的多孔材料描述符的機器學習算法通過最大限度地包含多孔材料的關鍵結構信息來提高模型預測的準確性。然而，由于該方法存在的原始結構信息丟失和描述符生成和處理過程中計算成本高的固有缺點不可避免地會導致誤差的傳播，造成模型預測精準度的局限。

端到端的深度學習模型有利于保持完整的原始結構信息，具有實現準確預測的巨大潛力。然而，要直接從多孔材料結構出發實現有效的吸附性能預測，還面臨三個艱巨的挑戰：（1）完整的原始結構信息的輸入和傳遞；（2）原子尺度的信息交互和計算以及良好可解釋性；（3）在純數據驅動的深度學習模型中存在的數據饑渴問題。

本研究設計并訓練了一個內置專家知識共學習模塊的空間原子相互作用學習框架 DeepSorption，實現了利用晶態多孔材料的原子坐標和化學元素類型的信息作為輸入，結構吸附性能的端對端預測。

該框架的獨特架構在于開發的 Matformer 模型，該模型可以高保真地解釋多孔材料的整體結構信息，包括原子空間排列和化學元素信息。此外，模型內的多尺度原子注意（MSA）機制實現了對不同尺度原子間相互作用的準確、高效認知，并實現了隱藏在編碼層中的潛在原子相互作用的可視化。此外為針對純數據驅動學習中存在的數據饑渴的弊端，采用了專家知識共同學習（knowledge co-learning, KCL）策略。

結果表明，KCL 可以將專家知識作為預測的輔助任務，促進模型在結構-吸附性能構效關系空間中的收斂，有利于提高吸附性質的預測精度。值得注意的是，專家知識的輸出只在模型訓練時需要，而不干擾預測過程，保證了快速的預測速度。

DeepSorption 深度學習框架擁有時間效率高、誤差傳播少以及數據效率高的優點。與巨正則蒙特卡羅分子模擬和其他機器學習模型相比，使用DeepSorption 進行晶態多孔吸附劑的氣體吸附曲線預測的精度更高、速度更快。與基于專家信息描述符的機器學習模型和晶體圖神經網絡 CGCNN 相比，DeepSorption 在多個二氧化碳和氮氣的吸附量數據集上預測性能的平均絕對誤差下降了 20-35%。

DeepSorption 通過空間原子相互作用學習網絡實現了晶體多孔材料復雜吸附特性的準確、快速預測。得益于多尺度原子注意機制，DeepSorption 能夠準確評估原子之間的相互作用，實現物理吸附行為預測，并提供直觀的可視化思維和執行軌跡。復雜物理化學性質的準確預測凸顯了整體結構意識、原子級空間結構信息與化學元素信息的耦合傳遞和相互作用的重要性。

DeepSorption 深度學習框架不僅實現晶態多孔材料吸附性能的端對端準確預測，并在原子尺度揭示了決定晶體多孔材料表達功能的內在化學性質，并有望成為預測其他晶體材料（如鈣鈦礦和晶態催化劑）的各種物理化學和表面性質的一種基準算法工具。

文章的第一作者是浙江大學崔稷宇、清華大學吳方、浙江大學軟件學院張文研究員和浙江大學化學工程與生物工程學院楊立峰研究員，浙江大學化學工程與生物工程學院邢華斌教授和浙江大學計算機科學與技術學院陳華鈞教授為共同通訊作者。