人工智能利用电子级信息预测材料特性，无需昂贵的量子力学计算

韩国研究人员开发出一种人工智能 (AI) 技术，该技术无需昂贵的量子力学计算，即可通过学习电子级信息来预测分子特性。该研究成果已在ICLR 2025上发表。

由韩国化学技术研究院 (KRICT) 高级研究员 Gyoung S. Na 和韩国科学技术院 (KAIST) 教授 Chanyoung Park 领导的联合研究团队开发了一种新颖的 AI 方法，称为 DELID（分解监督电子级信息扩散），该方法无需执行量子力学计算，即可使用电子级信息准确预测材料特性。

该方法在由大约 30,000 个实验分子数据组成的真实世界数据集上实现了最先进的预测精度。

由于量子力学计算成本过高，传统的计算科学和人工智能方法在利用电子级信息（而这些信息对于确定分子特性至关重要）方面受到限制。因此，大多数现有的人工智能模型仅依赖于原子级分子描述符，导致预测精度有限，尤其对于复杂分子而言。

为了应对这一挑战，研究团队设计了 DELID，这是一种生成式 AI 方法，通过结合来自更简单分子片段的信息来推断复杂分子的电子级特征。

DELID 将复杂分子分解为化学上有效的子结构，从量子化学数据库中检索这些片段的电子级属性，并使用自监督扩散模型推断整体电子结构。这使得无需进行大规模量子力学模拟即可实现精确的属性预测。

DELID 的独特之处在于，它能够利用电子级信息预测分子性质，而无需对目标分子进行量子计算。这代表着一项重大的飞跃，无需量子计算机即可实现电子感知预测。

在对超过 30,000 个实验测量的分子特性数据集（包括物理、毒理学和光学特性）进行基准测试时，DELID 在最先进的模型中实现了最高的准确度。

尤其对于与OLED和太阳能电池材料设计相关的CH-DC、CH-AC等光学特性预测任务，现有模型的预测准确率普遍较低（31–44%），而DELID的准确率达到了88%，是现有顶尖AI模型的两倍多。

高级研究员 Na 表示：“DELID 能够通过结合电子级信息来准确预测分子特性，而无需承担高昂的计算成本，从而克服了传统 AI 方法的一个主要局限性。”

KRICT 总裁 Youngkuk Lee 博士补充道：“我们期待 DELID 为化学工业中的实际 AI 应用做出重大贡献，例如药物发现、毒性评估和光电材料开发。”