作者 | 論文團(tuán)隊(duì)

編輯 | ScienceAI

在藥物設(shè)計(jì)、新材料開發(fā)等領(lǐng)域，精確模擬分子行為至關(guān)重要。傳統(tǒng)的機(jī)器學(xué)習(xí)力場(chǎng)將分子視為由原子核和化學(xué)鍵構(gòu)成的“骨架”，卻忽略了真正決定分子性質(zhì)的“靈魂”——電子

電子密度，這一量子化學(xué)中的核心物理量，描述了電子在空間中的分布概率，從根本上決定了分子的能量、反應(yīng)活性等所有性質(zhì)。然而，通過量子化學(xué)計(jì)算獲取電子密度數(shù)據(jù)成本極高，嚴(yán)重阻礙了該方向的研究。

近日，湖南大學(xué)/國(guó)家超算長(zhǎng)沙中心聯(lián)合寧波東方理工大學(xué)、香港科技大學(xué)（廣州）AIMS Lab、華東師范大學(xué)、中國(guó)科學(xué)技術(shù)大學(xué)等團(tuán)隊(duì)在國(guó)際頂會(huì)NeurIPS 2025（神經(jīng)信息處理系統(tǒng)大會(huì)，AI領(lǐng)域頂會(huì)）上發(fā)布研究成果——大規(guī)模電子密度泛函數(shù)據(jù)集EDbench

這個(gè)涵蓋336萬分子的“電子密度數(shù)據(jù)庫(kù)”，首次填補(bǔ)了“電子級(jí)分子建模”的大規(guī)模數(shù)據(jù)空白，讓AI預(yù)測(cè)分子性質(zhì)的精度和效率實(shí)現(xiàn)雙重突破，有望加速新藥研發(fā)、新材料設(shè)計(jì)等關(guān)鍵領(lǐng)域的進(jìn)程。

論文主頁(yè)：https://hongxinxiang.github.io/projects/EDBench/

為什么電子密度是分子建模的“終極密碼”？

在量子化學(xué)中，分子的一切性質(zhì)都藏在“電子分布”里，這是Hohenberg-Kohn定理的核心結(jié)論。打個(gè)比方：如果把分子比作“智能手機(jī)”，傳統(tǒng)AI分子建模（MLFFs）只關(guān)注“硬件零件（原子）”的排列，卻忽略了“操作系統(tǒng)（電子）”的邏輯；而電子密度（ED）就是“操作系統(tǒng)的源代碼”，能直接解鎖分子的“底層功能”。

圖（a）展示了從原子級(jí)到電子級(jí)的MLFF范式升級(jí)，其中電子密度（ED）是描述電子空間分布的量子力學(xué)中的基本物理量，可以提供分子系統(tǒng)更細(xì)致的物理表示，但是長(zhǎng)期以來，獲取ED數(shù)據(jù)堪稱“兩難”：

• 實(shí)驗(yàn)測(cè)量（如X射線衍射）依賴千萬級(jí)設(shè)備，單種分子的ED數(shù)據(jù)需數(shù)月才能獲??；
• 理論計(jì)算（DFT）雖通用，但算一個(gè)小分子要245秒，想攢“百萬級(jí)數(shù)據(jù)集”需單核心連續(xù)計(jì)算23年。

這就導(dǎo)致AI分子建模始終卡在“原子級(jí)”——比如預(yù)測(cè)藥物分子與靶點(diǎn)的結(jié)合活性時(shí)，傳統(tǒng)模型只能通過“原子間距”間接推斷，卻看不到“電子富集區(qū)”的真實(shí)作用，精度往往差強(qiáng)人意。

EDBench數(shù)據(jù)集：規(guī)模與質(zhì)量的雙重突破

本論文中，EDBench的建成正好解決了該領(lǐng)域長(zhǎng)期存在的“數(shù)據(jù)荒”問題，該數(shù)據(jù)集的創(chuàng)建并不是“簡(jiǎn)單攢數(shù)據(jù)”，而是“精度、規(guī)模、實(shí)用性”的多重考量。

1.規(guī)模突破：336萬分子的“算力攻堅(jiān)”

從細(xì)節(jié)角度來看，圖（b）展示了數(shù)據(jù)集構(gòu)建中的DFT計(jì)算流程，該流程是通過自洽場(chǎng)（SCF）迭代來實(shí)現(xiàn)的，從宏觀角度來看，EDBench基于PCQM4Mv2數(shù)據(jù)集構(gòu)建，涵蓋3,359,472個(gè)類藥分子，規(guī)模超同類成果：

• 材料領(lǐng)域經(jīng)典ED數(shù)據(jù)MP僅含12萬條數(shù)據(jù)，且無量子性質(zhì)標(biāo)注；
• 藥物領(lǐng)域最大電子相關(guān)數(shù)據(jù)集?2DFT雖有190萬條，但不含直接ED分布（僅密度矩陣）。

更重要的是，EDBench輸出的是CUBE格式的3D電子密度云圖——相當(dāng)于給每個(gè)分子拍了“電子CT”，能直接看到電子在原子周圍的富集程度。

2.精度控制：從泛函到基組的“定制化方案”

為了讓ED數(shù)據(jù)符合真實(shí)量子規(guī)律，團(tuán)隊(duì)基于圖（c）中Jacob’s ladder做了三重優(yōu)化：

• 泛函選擇：選用B3LYP混合泛函——這是量子化學(xué)的“萬金油”，在合成化學(xué)、藥物研發(fā)等領(lǐng)域經(jīng)過驗(yàn)證，能平衡電子相關(guān)性描述與計(jì)算效率；
• 基組適配：普通分子用6-31G基組，含硫分子追加6-31+G基組——因?yàn)榱蛟拥碾娮与x域性強(qiáng)，普通基組會(huì)低估其ED分布；
• 自旋適配：自動(dòng)切換RHF/UHF參考波函數(shù)——閉殼層分子（如甲烷）用RHF，開殼層分子（如氧分子）用UHF，避免自旋污染導(dǎo)致的誤差。

3.標(biāo)注維度：AI建模的“全要素養(yǎng)料”

EDBench不止提供ED數(shù)據(jù)，還同步輸出6類能量成分（核排斥能、交換關(guān)聯(lián)能等）、7種軌道能量（HOMO-2至LUMO+3）、4類偶極矩（X/Y/Z分量及模長(zhǎng)）。這種“多維度標(biāo)注”正是AI突破“單任務(wù)擬合”的關(guān)鍵——例如，模型可通過“ED分布→軌道能量→反應(yīng)活性”的鏈?zhǔn)綄W(xué)習(xí)，實(shí)現(xiàn)更本質(zhì)的性質(zhì)預(yù)測(cè)。

三大基準(zhǔn)任務(wù)：驗(yàn)證AI的“電子理解能力”

為避免數(shù)據(jù)集“只存不用”，團(tuán)隊(duì)設(shè)計(jì)了覆蓋ED核心應(yīng)用場(chǎng)景的基準(zhǔn)任務(wù)，均采用scaffold split（OOD泛化性測(cè)試），直擊AI建模的真實(shí)痛點(diǎn)。

1.量子性質(zhì)預(yù)測(cè)：ED比原子特征強(qiáng)在哪？

4個(gè)子任務(wù)中，X-3D（點(diǎn)云模型）的表現(xiàn)印證了ED的優(yōu)勢(shì)：

• ED5-OE（軌道能量預(yù)測(cè)）：HOMO能量MAE僅0.0198 eV，較原子級(jí)模型（MAE≈0.03 eV）精度提升34%——因?yàn)檐壍滥芰颗c局部ED分布直接相關(guān)，AI能快速捕捉“電子富集區(qū)”的微觀特征；
• ED5-OCS（開/閉殼層分類）：AUPR達(dá)61.54%，解決了傳統(tǒng)模型“分不清電子態(tài)”的核心難題——開殼層分子（如自由基）的ED分布呈“不對(duì)稱性”，AI能通過這種特征精準(zhǔn)分類。

2.跨模態(tài)檢索：“結(jié)構(gòu)-密度”雙向?qū)R的突破

ED5-MER任務(wù)中，模型需實(shí)現(xiàn)“分子結(jié)構(gòu)→ED”和“ED→分子結(jié)構(gòu)”的雙向檢索，這對(duì)藥物虛擬篩選、材料逆設(shè)計(jì)至關(guān)重要。

圖中清晰展示：EquiformerV2（分子結(jié)構(gòu)編碼器）+X-3D（ED編碼器）的組合表現(xiàn)最優(yōu)，ED→MS檢索Top-1準(zhǔn)確率達(dá)78.71%，MS→ED達(dá)78.36%。這意味著：給一張實(shí)驗(yàn)測(cè)得的電子云圖，AI能精準(zhǔn)匹配對(duì)應(yīng)的分子結(jié)構(gòu)；反之，輸入分子結(jié)構(gòu)也能快速生成ED分布，為“電子驅(qū)動(dòng)的逆設(shè)計(jì)”奠定基礎(chǔ)。

3. ED生成：1.8萬倍提速的“DFT平替方案”

團(tuán)隊(duì)提出HGEGNN異構(gòu)圖模型（將原子與電子作為雙類型節(jié)點(diǎn)），輸入分子結(jié)構(gòu)即可生成ED：

• 速度：0.013秒/分子，較DFT（245秒/分子）提速18907倍；
• 質(zhì)量：生成ED的Pearson相關(guān)達(dá)99.2%，且用于下游能量預(yù)測(cè)時(shí)，MAE較DFT原始數(shù)據(jù)降低11%（209.29→186.38）——AI生成的ED因過濾了DFT計(jì)算的噪聲，反而更適合模型學(xué)習(xí)。

生成ED的質(zhì)量“反超”DFT？

上述HGEGNN異構(gòu)圖模型引出了一個(gè)顛覆性發(fā)現(xiàn)：AI生成ED數(shù)據(jù)，在下游任務(wù)中表現(xiàn)竟優(yōu)于DFT原始數(shù)據(jù)。

團(tuán)隊(duì)用HGEGNN生成3組ED數(shù)據(jù)（G#1、G#2、G#3），替換ED5-EC任務(wù)中的DFT數(shù)據(jù)，訓(xùn)練PointVector模型后發(fā)現(xiàn)：生成數(shù)據(jù)的平均MAE從209.29降至186.38，相對(duì)提升11%。

圖中藍(lán)色柱DFT數(shù)據(jù)的模型表現(xiàn)，綠色柱為AI生成數(shù)據(jù)的表現(xiàn)——這并非說明AI生成的ED“更符合物理真實(shí)”，而是其“更平滑的分布”更契合深度學(xué)習(xí)模型的歸納偏好，減少了DFT計(jì)算中的數(shù)值噪聲，為“高效-高精度建模”提供了新思路。

參數(shù)玄機(jī)：閾值與采樣點(diǎn)如何影響性能？

ED數(shù)據(jù)的“高維度”（百萬級(jí)采樣點(diǎn)）可能導(dǎo)致模型效率低下，團(tuán)隊(duì)通過消融實(shí)驗(yàn)找到最優(yōu)參數(shù)。

左圖（a）顯示：隨著ED閾值ρτ從0.05增至0.2，PointVector在ED5-EC任務(wù)的MAE從346.36降至209.29；但ρτ超過0.2后，性能反而下降——因?yàn)檫^高的閾值會(huì)過濾掉化學(xué)鍵附近的低密度電子（化學(xué)活性區(qū)），這提示：ρτ=0.2是“信息保留與效率”的黃金平衡點(diǎn)。

對(duì)AI for Science的啟示：從“擬合”到“理解”

EDBench的價(jià)值遠(yuǎn)超“一個(gè)數(shù)據(jù)集”：它首次證明了“電子級(jí)表征”在AI建模中的可行性，為幾何深度學(xué)習(xí)（GDL）開辟了新方向——過去GDL聚焦“原子間對(duì)稱關(guān)系”，現(xiàn)在可轉(zhuǎn)向“電子密度的空間連續(xù)性”建模。

目前，EDBench的全部數(shù)據(jù)（含CUBE格式電子云圖）、代碼及可視化工具已通過哈佛Dataverse開放：

https://dataverse.harvard.edu/dataverse/EDBench

正如團(tuán)隊(duì)通訊作者所言：“EDBench”不是終點(diǎn)，而是讓AI“看懂電子”的起點(diǎn)——當(dāng)模型能真正理解電子分布，新藥研發(fā)、新材料設(shè)計(jì)才有可能從“試錯(cuò)”走向“預(yù)測(cè)”。