编写 | 萝卜皮

探寻光捕捉一氧化氮合酶（LHC）中的激起能量转换（EET）针对了解当然全过程和高效率光伏发电元器件的制定尤为重要。LHC 是开放式系统，在其中量子科技效用很有可能对基本上极致地运用太阳能发电充分发挥关键作用。包括量子科技效用的能量转换仿真模拟能够在损耗量子科技动力学模型（QD）的结构内进行，这在测算上是价格昂贵的。

因而，人工智能技术（AI）将本身做为减少核算成本的专用工具。

厦门大学的研究工作人员提议应用 AI 立即预测 QD 做为时长和其它主要参数（如环境温度、重新组合动能等）的函数公式的 AI-QD 方法，与传统的的 QD 和递归的根据 AI 的 QD 方法替代方案对比，避免了递归逐渐动态性传播的必须。

他们的轨迹学习培训 AI-QD 方法可以在无限时间预测 QD 的恰当渐行个人行为。研究工作人员在 seven-sites Fenna-Matthews-Olson（FMO）分子伴侣上展示了 AI-QD。

该研究以「Predicting the future of excitation energy transfer in light-harvesting complex with artificial intelligence-based quantum dynamics」问题，于 2022 年 4 月 11 日公布在《Nature Communications》。

从生命诞生逐渐，太阳能发电就一直是性命的驱动力。根据光合作用的体制，生物运用其无线天线系统软件中相对高度繁杂的黑色素捕获太阳，并将太阳动能以电子器件-空化对（激子）的方式传送到反映核心（RC)，并在在其中储存为生物化学动能。

太阳能发电从无线天线到 RC 的传送，也称之为激起动能传送（EET)，以激子的方式被认为是高效率的，贴近企业高效率。掌握当然获得系统软件的这类效率高非常重要，由于这类掌握能够潜在地应用于设计方案十分有效的有机化学太阳能电池板和储存设备。

试验说明，高效率的太阳光捕捉一氧化氮合酶（LHC）中的长久相关行业被周边的蛋白自然环境（支撑架）储存出来，这类相关行业可能是这类效率高的缘故。

研究最多的 LHC 是 Fenna-Matthews-Olsen（FMO）一氧化氮合酶，它存在于翠绿色硫病菌中。FMO 商业综合体的小尺寸和简易性也使其变成仿真模拟方法的实验台。FMO 一氧化氮合酶是同样亚基的三聚体，在其中每一个亚基由粘附在其蛋白环境中的病菌胡萝卜素（BChl）分子结构（系统软件）构成。

光搜集全过程早已进行了很多的研究工作中。以 FMO 为例子，非常容易看得出系统软件（BChl 分子结构）与自然环境（蛋白）并不是独立的；因而，恰当仿真模拟 FMO 应当将其视作一个开放式系统，而不是独立的系统软件。

除此之外，许多研究说明，量子科技效用，特别是相关行业，很有可能在光捕捉过程中充分发挥重要作用，乃至可能是完成高档高效率的缘故。包括量子科技效用的 EET 的时间和空间仿真模拟能够在很多架构内进行，比如这里使用的根据投射的传统方法微扰方法和损耗量子科技动力学模型（QD)。

QD 仿真模拟可以使用层级运动方程（HEOM）以及很多改善和拓展——准均衡传播子途径积分兑换（QuAPI）以及自变量迭代更新 QuAPI（iQuAPI），根据轨迹的任意运动方程（SEOM）贴近双层多构形时变 Hartree（ML-MCTDH）和部分热化 Lindblad 主方程式（LTLME）。

各种各样量子科技损耗动力学模型方法的发展趋势来源于这种方法中的每一种都是有一些局限，因而并没有一种适用全部状况的通用性方法。比如，HEOM 在标值上是精准的，但在超低温下核算成本非常高；SEOM 对环境温度并没有确立的依赖感，但在长期传播时收敛比较差；在QuAPI方法中，全部有关效用都包括在有限时间内，超出该时长的有关效用被忽视。

最重要的是，全部这种传统式的量子点技术方法都需要逐渐传播轨迹，下一步在于前边的流程。因而，量子点技术仿真模拟是一个迭代更新、递归的全过程。

每一个时间步的估算和 QD 的递归特性都促使它在测算上非常贵。缓解量子点技术的核算成本变成一系列运用人工智能技术（AI）研究的总体目标，这遭受人工智能技术在计算化学和化学物理中选用机器学习算法（ML）优化算法的运用进度的启迪。人工智能技术还被应用于研究二聚体系统软件和 FMO 一氧化氮合酶中的激起动能传送。

在之前的研究中，人工智能技术节约的核算成本让人印象深刻，但是，在其中一项研究只关心预测能量传递时长和传递效率，而不是时间和空间演变，而别的有关研究则采用了基本一致的 QD 轨迹传播的递归特性。

此前根据 AI 的 QD 的递归特性使其非常容易出现错误积累。在递归仿真模拟中，以前预测的值被作为预测下一个值的键入。因而，每一个时间步的预测偏差都是会积累，进而造成精密度降低。除此之外，预测的递归特性不允许大家在没有预测以前的值的状况下对随意时间开展预测。

此外，必须一个短期内轨迹做为种籽，应用 HEOM 等传统式方法形成种籽，随后做为键入给予给 AI 实体模型，以预测下一个时长步幅并最后传播长期性动态性。因而，即便拥有 AI 实体模型，研究工作人员依然必须耗费珍贵的时间计算来应用传统式方法形成短时间轨迹。

图例：应用 AI-QD 练习架构中的主要参数提前准备练习数据信息。（由来：毕业论文）

在近期的研究中，厦门大学的研究工作人员提出了一种非递归（非迭代更新）AI-QD 方法，用以很快地预测量子科技动力学模型，因为可以对任何时间步幅开展预测，直到渐行极限值，避免了递归轨迹传播的必须。

如同她们毕业论文里所展现的，这可以用以规模性量子科技动力学模拟，比如，在制定的光伏发电元器件中找寻合理能量转换需要的最好标准。

换个角度看来，AI-QD 方法能够预测全部 2.5 ps 的轨迹，大概在 2.5 秒之内。2 min 在 Intel（R）Core（TM）i7-10700 CPUs @ 2.90 GHz 的单核心上，独立于用以形成练习轨迹的参照方法，而与 HEOM 等传统式递归方法同样的传播必须数钟头，而且成本费会因超低温而成倍增加。

HEOM 等精准方法的成本费较高，因此研究工作人员应用 LTLME 来普遍检测该方法（应用 LTLME 在以上电子计算机构架的单独 CPU 上传播全部轨迹仅需 3 min）。

图例：做为时间函数的电子相关行业。（由来：毕业论文）

非常值得注重的是，AI-QD 有着并行性，可使用好几个 CPU 或 GPU 能够进一步明显加速处理速度；由于 AI-QD 对不同时间步的预测是互不相关的，不一样的轨迹段能够分布在数个进程上开展单独测算。

研究工作人员在 FMO 分子伴侣的实例上展示了 AI-QD 方法的可行性分析，但这类方法充足通用性，能够在再练习后用以一切别的分子伴侣。自然，AI-QD 方法能够怎样拓展到与此同时叙述好几个 LHC 仍尚需观查。

大家可以使用 LHC 哈密顿原素做为 LHC 分子伴侣的表明，一项初期令人振奋的研究说明，根据应用哈密顿原素做为 ML 实体模型的键入，大家能够成功地叙述不一样哈密顿量的标量特点（能量转换时长和迁移高效率）。但是，难以解决的难题仍然是这类学习培训动力学模型的方法有多取得成功，除此之外，怎样避开不一样分子伴侣的哈密顿量的不同维度。

人工智能技术×[ 微生物 认知科学 数学课 物理学 原材料 ]

「ScienceAI」关心人工智能技术与别的前沿科技及基础学科的交叉式研究与融合发展。

热烈欢迎关注标星，并单击右下方关注点赞和在看。