北京郵電大學理學院特聘研究員高昂在分子模擬研究領域取得重要進展
近期，我校理學院特聘研究員高昂與美國羅格斯大學合作者Richard C. Remsing博士在分子模擬研究領域取得重要進展。
通過融合人工智能技術和電子的自洽場理論，高昂研究員與其合作者創新性地構建了分子模擬的自洽場神經網絡(Self-Consistent Field Neural Network)模型，精確地描述了長程靜電相互作用。該研究成果在分子模擬方面的精度比目前業界最前沿的第四代高維度神經網絡勢能模型（4GHDNNP）更高。基于上述研究成果的論文[1]于2022年3月23日發表在《自然》子刊《Nature Communications》上，北京郵電大學為論文第一完成單位，高昂研究員為論文第一作者及通訊作者。
近年來，人工智能在分子動力學模擬中得到了廣泛應用。基于神經網絡的分子動力學模擬的精度可以與基于量子力學的分子動力學模擬相媲美，而其運算速度卻比后者快上萬倍。但是通過神經網絡進行分子模擬的一個難點是處理長程靜電相互作用。傳統的神經網絡分子動力學模型（如Behler-Parrinello模型）只能描述分子之間的短程相互作用，因而無法描述介電響應、電子極化等重要性質。
為了解決這一挑戰，高昂研究員與合作者以凝聚態物理中描述自由電子氣對電場響應的自洽場理論為基礎，結合人工智能技術，提出了自洽場神經網絡模型。在論文中高昂和合作者利用自洽場神經網絡模型對液態水進行了研究，證明了該模型可以精確描述水分子之間的長程關聯、水對外電場的響應、水分子的電子極化以及空氣-水界面處水分子的偶極矩分布。他們還證明了自洽場神經網絡模型能比第四代高維度神經網絡勢能（4GHDNNP）模型能更準確地描述水分子的偶極矩漲落。
高昂及合作者表示，自洽場神經網絡模型是一個通用框架，可以與目前常用的許多神經網絡模型融合，因此可以預期該模型將會被集成運用于目前廣泛應用的神經網絡分子動力學模擬軟件包中。他們期望自洽場神經網絡模型能夠在電子器件的計算機輔助設計、生物大分子模擬等領域得到更加廣泛的應用。
教師介紹：
高昂，北京郵電大學特聘研究員、博士生導師。于2012年獲得清華大學物理學士學位，2017年獲得美國馬里蘭大學帕克分校化學物理博士學位，2017-2020年在麻省理工學院從事博士后研究工作。2020年底入職北京郵電大學理學院物理系。已在Nature Communications、PNAS、iScience等頂級期刊發表多篇學術論文，研究方向包括分子動力學模擬、第一性原理計算、人工智能、生物物理等。
發表論文：
[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
