AI+化学博士论文 | MIT 2026 | 通过自动化量子化学和人工智能加速自主分子发现 552页

医学、能源和材料科学领域的重大挑战本质上是分子发现（molecular discovery）问题。然而，化学空间的浩瀚使得传统的实验探索效率低下且不足以满足需求。自主分子发现有望通过将人工智能（AI）、计算和自动化技术整合到化学（chemistry）领域来加速这一进程，但它面临着一个关键的三难困境：如何在准确性、速度和可扩展性之间取得平衡。本论文记录了一项旨在缓解这一矛盾的系统性研究，该研究通过开发和整合新型计算框架，将量子力学（quantum mechanics，QM）的第一性原理严谨性与机器学习（ML）的预测效率以及人工智能实现的可扩展自动化相结合。

本论文首先着重开发了活性药物成分液相氧化降解的首个从头算动力学模型。这证明了在复杂化学环境中进行自动化机理建模的可行性和预测能力，并凸显了迫切需要更精确的热化学和动力学数据来应对现实世界的复杂性。为了解决这个问题，我们开发了一个用于计算系统性热化学校正的框架，并对284种模型化学体系进行了广泛的基准测试，建立了从量子力学模拟中高效实现化学精度（~1 kcal/mol）的方案。考虑到速度和数据稀缺的限制，我们设计了基于物理信息的机器学习架构，特别是QM-GNN，它将图神经网络（GNN）与量子力学描述符融合在一起。这种方法显著提高了预测性能和数据效率，尤其是在数据量较少的情况下，对反应区域选择性的预测效果尤为显著。最后，为了大规模应用这些成果，我们设计了QuantumPioneer，这是一个用于生成大规模、高保真量子力学热动力学数据集的自动化高通量平台。该平台已生成了一个庞大的氧化反应数据库，从而能够开发用于预测分子稳定性和溶剂化能的新型机器学习模型。总而言之，本论文为加速分子发现提供了一个统一的框架，证明第一性原理模拟和数据驱动智能的战略性整合可以克服阻碍自主化学设计和发现的关键瓶颈。