通过融合人工智能技术和电子的自洽场理论，高昂研究员与其合作者创新性地构建了分子模拟的自洽场神经网络(Self-Consistent Field Neural Network)模型，精确地描述了长程静电相互作用。该研究成果在分子模拟方面的精度比目前业界最前沿的第四代高维度神经网络势能模型（4GHDNNP）更高。基于上述研究成果的论文[1]于2022年3月23日发表在《自然》子刊《Nature Communications》上，北京邮电大学为论文第一完成单位，高昂研究员为论文第一作者及通讯作者。

图1:自洽场神经网络模型的结构

近年来，人工智能在分子动力学模拟中得到了广泛应用。基于神经网络的分子动力学模拟的精度可以与基于量子力学的分子动力学模拟相媲美，而其运算速度却比后者快上万倍。但是通过神经网络进行分子模拟的一个难点是处理长程静电相互作用。传统的神经网络分子动力学模型（如Behler-Parrinello模型）只能描述分子之间的短程相互作用，因而无法描述介电响应、电子极化等重要性质。

为了解决这一挑战，高昂研究员与合作者以凝聚态物理中描述自由电子气对电场响应的自洽场理论为基础，结合人工智能技术，提出了自洽场神经网络模型。在论文中高昂和合作者利用自洽场神经网络模型对液态水进行了研究，证明了该模型可以精确描述水分子之间的长程关联、水对外电场的响应、水分子的电子极化以及空气-水界面处水分子的偶极矩分布。他们还证明了自洽场神经网络模型能比第四代高维度神经网络势能（4GHDNNP）模型能更准确地描述水分子的偶极矩涨落。

图2:自洽场神经网络模型可以精确描述水分子的长程关联以及其对外电场的响应

高昂及合作者表示，自洽场神经网络模型是一个通用框架，可以与目前常用的许多神经网络模型融合，因此可以预期该模型将会被集成运用于目前广泛应用的神经网络分子动力学模拟软件包中。他们期望自洽场神经网络模型能够在电子器件的计算机辅助设计、生物大分子模拟等领域得到更加广泛的应用。

教师介绍：

高昂，北京邮电大学特聘研究员、博士生导师。于2012年获得清华大学物理学士学位，2017年获得美国马里兰大学帕克分校化学物理博士学位，2017-2020年在麻省理工学院从事博士后研究工作。2020年底入职北京邮电大学理学院物理系。已在Nature Communications、PNAS、iScience等顶级期刊发表多篇学术论文，研究方向包括分子动力学模拟、第一性原理计算、人工智能、生物物理等。

发表论文：

[1] Gao, A., Remsing, R.C. Self-consistent determination of long-range electrostatics in neural network potentials. Nat Commun 13, 1572 (2022).https://doi.org/10.1038/s41467-022-29243-2