我院Pavlo O. Dral副教授与其博士后Arif Ullah发展了一种极快的基于人工智能（AI）的量子动力学（QD）方法，该方法被应用于出现在绿硫细菌中的Fenna-Matthews-Olson (FMO)复合物的激发能量转移。相关成果以“Predicting the future of excitation energy transfer in light-harvesting complex with artificial intelligence-based quantum dynamics”为题，发表于Nature Communications。
地球上生物体内所有的能量都直接或者间接来源于太阳能。通过光合作用，植物、藻类和光合细菌能够将光能转化为化学能。光合作用系统由捕光天线、反应中心和激子转移复合物组成，这种激子转移复合物能高效地将光能从天线传输到反应中心，如绿硫细菌中的Fenna-Matthews-Olsen (FMO)配合物，具有接近单位的转移效率，引起了学界的广泛关注。目前，已经开发了许多量子动力学方法（如HEOM、SEOM、QuAPI和LTLME等）用于研究激子转移系统中的激发能量转移。然而，这类传统方法都要求递归地传播动力学，其中每个时间步都取决于其自身先前的值，且不允许在不传播轨迹的情况下对系统进行预测，从而导致了高昂的计算成本，而且也容易累积错误。因此，传统方法在上述复杂激子转移复合物的研究上遇到了困难。
Dral副教授课题组提出了一种基于人工智能/机器学习（AI/ML）的量子动力学（QD）方法，该方法绕过了传统迭代动力学的需要，只需提供重组能量λ、特征频率γ、温度T等参数，就能够预测相应的轨迹直至其渐近极限。由于所提出的方法是非迭代的，所有时间步长彼此独立，因此采用并行计算，从而极大地加快了计算速度。该方法不仅可以内插（预测训练模型中不可知但位于使用参数范围内的激发能量转移参数 (λ，γ，T))，而且还可以在很大程度上进行外推（预测训练中使用的参数范围之外的激发能量转移参数）。同时，课题组也证明了AI-QD方法能够有效地筛选大量可能的组合，以找出更适合有效的激发能量转移的参数。基于AI-QD方法，课题组研究了Fenna-Matthews-Olsen (FMO)复合物的高效激发能量转移，结果有助于高效的有机太阳能设备的仿生光捕获工程的理性设计。
该工作得到国家自然科学基金（项目批准号：22003051）、中央高校基本科研业务费专项资金（项目批准号：20720210092）的资助。
论文链接：https://doi.org/10.1038/s41467-022-29621-w
