我院Pavlo O. Dral副教授与艾克斯－马赛大学（法国）Mario Barbatti教授共同在Nat. Rev. Chem.发表了题为“机器学习视角下的分子激发态”（"Molecular excited states through a machine learning lens, Nat. Rev. Chem. 2021, DOI 10.1038/s41570-021-00278-1"）的综述文章。该文介绍了机器学习在激发态研究中的最新进展，并展望了该研究领域的现有挑战与前景。
在理论化学研究中，机器学习已成为提高激发态模拟精度和速度的关键性技术。基于实验大数据的机器学习可以取代传统量子化学计算，对实验观测数据进行分析并给出指导建议。比如，机器学习在光电材料设计中已经得到了广泛的应用，它不仅可以给出设计的基本规律，而且可以加速对现有数据库的高通量筛选及自动搜索。在未来，我们希望看到更多的人工智能材料发现的实例，当机器学习与机器人实验室相结合时，这种前景尤为值得期待。
本文还重点介绍了Dral的研究小组在机器学习模拟激发态领域的系列工作，如非绝热动力学方法的发展（J. Phys. Chem. Lett. 2018, 9, 5660; 2018, 9, 6702）和UV/vis吸收光谱模拟（J. Phys. Chem. A 2020, 124, 7199）等。
本研究得到国家自然科学基金（项目批准号：22003051）的资助，该综述同时也为献礼beat365官方网站百年华诞。
论文链接：https://www.nature.com/articles/s41570-021-00278-1
