许多行业(包括能源、制药、能量学、食品添加剂和有机半导体)的化学家的长期目标是想象新分子的化学结构，并能够预测它在所需应用中的作用。在实践中，这个愿景是困难的，通常需要大量的实验室工作来合成、分离、纯化和表征新设计的分子，以获得所需的信息。

最近，由劳伦斯利弗莫尔国家实验室 (LLNL) 材料和计算机科学家组成的团队 通过创建机器学习 (ML) 模型，可以仅从分子的化学结构(例如分子密度)预测分子的结晶特性，从而实现了高能分子的这一愿景。 . 预测晶体结构描述符(而不是整个晶体结构)提供了一种推断材料特性的有效方法，从而加快了材料的设计和发现。该研究发表在 《化学信息与建模杂志》上。

“与之前基于 ML 的方法相比，该团队最突出的 ML 模型之一能够更准确地预测高能和类高能分子的晶体密度，”LLNL 应用数学家、共同第一作者 Phan Nguyen 说的纸。

“即使与密度泛函理论 (DFT)(一种用于晶体结构和晶体性质预测的计算成本高且基于物理信息的方法)相比，ML 模型也具有竞争性的准确性，同时需要的计算时间也很短，”LLNL 的 Donald Loveland 说计算机科学家和共同第一作者。

LLNL 的高爆应用设施 (HEAF) 的成员已经开始利用该模型的网络界面，其目标是发现新的不敏感的高能材料。通过简单地输入分子的 2D 化学结构，HEAF 化学家能够快速确定这些分子的预测结晶密度，这与潜在能量学的性能指标密切相关。

“我们很高兴看到我们的工作成果应用于实验室的重要任务。这项工作肯定有助于加速新材料的发现和优化，”LLNL 材料科学家兼该项目的首席研究员 Yong Han 说。

材料科学部门的后续工作已将 ML 模型与生成模型结合使用，以快速有效地搜索大型化学空间以寻找高密度候选物。

“这两项努力都推动了材料发现的界限，并通过融合材料科学和机器学习的新范式得到了促进，”LLNL 材料科学家、该论文的共同通讯作者 Anna Hiszpanski 说。

该团队继续寻找实验室感兴趣的新特性，其愿景是为材料科学家提供一套用于研究的预测模型。

该作品的其他作者包括 Joanne Kim 和 Piyush Karande。这项工作由 LLNL 的实验室指导研究发展计划资助。