等变神经网络揭示了宿主-客体相互作用如何影响多孔液体中129Xe的核磁共振（NMR）信号

《The Journal of Physical Chemistry Letters》：Equivariant Neural Networks Reveal How Host–Guest Interactions Shape 129Xe NMR in Porous Liquids

主机间相互作用机理及机器学习模型在孔隙液体中的应用研究。通过E(3)-equivariant图神经网络构建原子间势能和NMR模型，首次揭示高负载Xe在CC3-R多孔有机笼中三个结合位点（笼内、笼口、溶剂）的动态交换机制，计算化学位移与实验值吻合度达98.7%，验证机器学习模拟在复杂孔隙体系中的可行性。

　　本研究聚焦于一种新型材料——多孔液体（Porous Liquids, PLs）中主客体相互作用的建模问题。多孔材料因其内部存在的空腔结构，能够选择性地吸附和转化客体分子，广泛应用于吸附、分离、催化、能量存储与生产等领域。然而，传统的多孔材料多为固体形式，而多孔液体则结合了多孔固体与流动液体的优势，使其在工业应用中展现出独特的潜力。尽管多孔液体的研究近年来取得了显著进展，但其大规模模拟仍面临挑战，尤其是在精确描述主客体相互作用方面。为解决这一问题，本研究首次采用了一种基于E(3)等变图神经网络（E(3)-equivariant graph neural networks, EGNNs）的机器学习方法，对多孔液体系统中的主客体相互作用进行建模，并通过核磁共振（NMR）数据验证其准确性。

多孔液体的结构特点决定了其在吸附性能上的独特优势。与传统液体相比，多孔液体中的多孔有机笼（Porous Organic Cages, POCs）提供了稳定的空腔环境，使得特定气体分子能够被高效吸附。例如，CC3等POC材料在甲烷（CH?）、二氧化碳（CO?）、氙气（Xe）等气体的吸附性能上优于纯溶剂。为了更深入地理解这些吸附行为，研究者需要揭示主客体之间的相互作用机制，包括结合过程、占据状态以及动态行为。然而，这些相互作用的复杂性使得传统的实验方法难以全面解析，而计算方法如分子动力学（MD）模拟虽然能够提供分子层面的动态信息，但在处理大规模系统时，计算成本和时间限制成为主要障碍。

为克服上述挑战，本研究引入了一种高效且精确的机器学习方法，通过构建机器学习分子动力学（MLMD）模型和核磁共振机器学习（NMR-ML）模型，实现了对多孔液体系统中主客体相互作用的建模与预测。其中，机器学习分子动力学模型基于E(3)-EGNN架构，用于计算原子间的相互作用势能和力，从而模拟多孔液体的动态行为。核磁共振机器学习模型则用于预测氙气的磁屏蔽张量（σ），并进一步计算其各向同性化学位移（δ_iso），以反映其在不同环境下的化学性质。这两种模型的结合，不仅提升了计算效率，还保持了对分子行为的高精度描述，为多孔液体的研究提供了新的工具。

在实验设计上，研究者选择了一种典型的多孔液体系统——由CC3-R POC组成的多孔液体，在4-(三氟甲氧基)苯甲醇（TBA）溶剂中负载高浓度氙气（Xe@CC3@TBA）。该系统的选取基于其丰富的实验数据支持，尤其是氙气的核磁共振数据，为模型的验证提供了关键依据。通过这一系统，研究者构建了包含1170个原子的初始配置，并基于半经验分子动力学（SEMD）模拟和密度泛函理论（DFT）计算，逐步完善了机器学习势函数的训练数据集。经过多次迭代优化，最终获得了具有较高预测精度的机器学习势函数（MLIP-2），并用于大规模分子动力学模拟（MLMD-2）。

为了进一步验证机器学习势函数的适用性，研究者还对其在无POC的TBA纯液体系统中的表现进行了测试。结果表明，MLIP-2在描述系统能量、力和应力张量方面表现出良好的转移能力，与DFT计算结果高度一致。此外，通过计算并比较不同原子对之间的径向分布函数（g(r))，研究者发现机器学习分子动力学模拟在描述整体结构方面具有极高的可靠性，其可靠性因子达到了99.4%。这表明，机器学习势函数不仅适用于包含POC的多孔液体系统，也能够在其他环境中保持良好的性能。

在核磁共振模型的构建过程中，研究者采用了基于E(3)-EGNN的架构，以确保模型在处理不同环境下的原子结构时能够保持对称性不变。这一模型被用于预测氙气的磁屏蔽张量，并进一步转化为化学位移张量。通过与DFT计算结果的对比，研究者发现该模型在预测磁屏蔽张量的各向同性和各向异性成分方面表现出较高的准确性，误差范围在可接受范围内。尽管误差值相对较高，但考虑到DFT计算本身存在的系统性偏差，以及机器学习模型在处理复杂化学系统时的灵活性，该模型仍然具有较高的预测价值。

通过大规模分子动力学模拟（MLMD-4和MLMD-5），研究者进一步分析了氙气在不同环境下的行为。在纯TBA溶剂中，氙气的各向同性化学位移平均值为148.8 ± 0.2 ppm，与实验值147 ppm高度吻合，表明该模型在描述无POC环境下的氙气行为时具有良好的准确性。而在包含POC的系统中，氙气表现出三种不同的结合位点：POC内部空腔（C）、POC开口处（D）以及TBA溶剂中（S）。这些结合位点的存在，使得氙气在多孔液体中的行为更加复杂。研究者通过计算氙气与POC中心质量的距离变化（Δ_Xe-CM{CC3}），发现了氙气在这些位点之间的动态交换过程。例如，氙气分子可能在POC内部空腔和开口之间来回交换，或者从POC空腔迁移至TBA溶剂中。这些交换事件在时间演化过程中表现为化学位移（δ_iso）的突然变化，进一步揭示了多孔液体中主客体相互作用的动态特性。

研究结果表明，氙气在不同结合位点上的化学位移值分别为78.8 ± 0.3 ppm（C位点）、245.3 ± 0.5 ppm（D位点）和201.2 ± 0.3 ppm（S位点）。这些数值反映了氙气在不同环境下的化学性质差异，同时也揭示了多孔液体中主客体相互作用的多样性。整体平均化学位移值为147.2(±0.2) ppm，与实验值147.5 ppm非常接近，进一步验证了该方法在描述多孔液体系统中的有效性。此外，研究者还分析了氙气在不同位点之间的交换频率和停留时间，为理解多孔液体的吸附行为提供了新的视角。

本研究的创新之处在于首次将E(3)-EGNN架构应用于多孔液体系统的建模，并通过结合机器学习分子动力学和核磁共振机器学习模型，实现了对主客体相互作用的全面解析。这种方法不仅显著提升了计算效率，还能够提供高精度的分子行为描述，为多孔液体的设计和优化提供了理论支持。此外，该方法还具有良好的可扩展性，可以应用于其他类型的多孔液体系统，包括不同化学组成和操作条件下的多孔材料。通过这一研究，科学家们能够更准确地预测多孔液体在工业应用中的性能，如气体分离、储存和转化等，从而推动该领域的发展。

在实验数据的支持下，本研究还揭示了多孔液体中主客体相互作用的关键机制。例如，当氙气的负载量超过一定阈值时，POC内部的空腔可能无法容纳所有氙气分子，导致部分氙气分子聚集在POC开口处或迁移至溶剂中。这种动态行为不仅影响了氙气的吸附性能，还可能对多孔液体的整体性能产生重要影响。通过机器学习模型，研究者能够定量分析这些行为，并进一步优化多孔液体的结构设计，以提高其吸附能力和选择性。

总的来说，本研究通过引入E(3)-EGNN架构，为多孔液体系统的建模提供了新的思路。结合机器学习分子动力学和核磁共振机器学习模型，研究者不仅能够高效地模拟多孔液体的动态行为，还能够准确预测其化学性质，如氙气的化学位移。这种方法的提出，标志着多孔液体研究进入了一个新的阶段，为未来的材料设计和工业应用提供了重要的理论基础和技术支持。随着计算能力的不断提升，类似的方法有望应用于更广泛的多孔材料系统，推动相关领域的进一步发展。