物质吸收光线后会产生许多值得研究的现象。比如，强光可导致构成原子间键结的电子重新排列；日光照射可诱发分子的激发态，进而引起一系列光化学反应。皮肤癌就是光化学反应导致的结果，是因长期暴露于紫外线之下导致细胞病变而诱发的癌症。模拟分子激发态的动力学过程，能够帮助研究者深入理解化学系统的光化学机制，进而促进基于光动力疗法、光药理学或放射治疗的药物和治疗等领域的研发取得突破。
华东师范大学-纽约大学计算化学联合研究中心（上海纽约大学）副主任、上纽大化学助理教授William Glover与纽约大学化学与数学教授Mark Tuckerman合作，带领团队开发出一套可预测多种化学状态下光化学反应的人工智能计算模型，其成果近日以“分子激发态霍恩伯格-科恩定理地图的机器学习”为题，发表在全球知名学术期刊《自然-通讯》，期刊编辑团队评价其为无机化学与物理化学领域近期的50篇学术佳作之一。
预测光化学反应的计算过程有时可耗费几个月的时间。研究团队开发了一种加快计算速度的方法，使计算用时缩短至几周。该项目运用的霍恩伯格-科恩定理（Hohenberg-Kohn theorem）由法裔美国理论物理学家Pierre Hohenberg提出。Hohenberg是纽约大学物理学名誉教授，曾于上海纽约大学创校第一年在此任教。
Tuckerman教授曾在上纽大的一场学术研讨会上讲解了如何使用机器学习技术研究分子动态。这场研讨会激起了Glover教授对该课题的研究兴趣，二人开始商讨未来合作研究的相关事宜。
Glover教授认为，Tuckerman教授及其团队的研究表明，机器学习建模对探究基态下的分子十分有效。他说：“我们希望可以将其开发的方法拓展应用至研究电子的激发态。”
实现这一突破并非易事。研究团队曾试图一次性获得一个电子态的多个属性，却发现效果不尽如人意。“我们需要考虑不同电子组态的不同状态，”Glover教授解释道，“尤其是在研究电子态不断变化的光化学反应时，更需要了解与之相关的所有电子态。”
Glover教授表示，该研究的关键突破在于找到了使用机器学习同时预测所有电子态的方法。这一发现将预测的准确性提升了两倍多，也使计算时长从几个月缩短至几周。
上纽大化学专业博士研究生白原铭是这篇论文的第一作者，他在研究中负责编码和计算工作，为建模确立了根基。他在编辑并扩展已有的源代码模板使之适用于激发态系统的过程中遇到了阻碍，由于第一个源代码模板的效果未达到预期，他不得不使用第二个源代码模板并从头开始，推动了研究项目的整体进程。
Glover教授非常欣赏白原铭在研究中迎难而上、坚持不懈的精神。“无论遇到什么困难，原铭都从未停下研究的脚步，”他说，“我认为这充分证明了他已具备一名科学家应有的品质和素养。”
两位教授认为该研究有潜力产生广泛影响，Glover教授也计划在后续研究中持续优化该模型。“我们可以开发出更加全面系统又方便可行的模型，让计算变得更加简单，”他说，“我预计研究的下一步将是运用机器学习模型预测复杂生物环境下分子的光线吸收情况，进而深入了解光合作用的原理。”
在Tuckerman教授眼中，一切皆有可能。他认为光动力疗法这一新兴医学领域的应用前景十分广阔。这一疗法中，光靶向药物分子通过激发获得药理活性，使得潜在副作用明显变小，是“非常巧妙的治疗方法”。
Glover教授表示，纽约大学全球教育体系在计算化学领域的跨校园合作正在蓬勃发展，原因之一是包括上海纽约大学在内的纽大三个校园汇聚了众多理论化学和计算化学研究者。“纽约大学全球教育体系支持不同校园间开展合作，并提供平台汇聚各方英才，我认为这一点至关重要，”他说，“正因为如此，我们才有机会让其他团队了解我们，并为未来的合作打下基础。”
本篇学术论文的第一作者是白原铭，通讯作者为William Glover教授，Mark Tuckerman教授和Leslie Vogt-Maranto博士为共同作者。