机器学习如何助力构效关系研究——以双光子吸收为例

在化学科学中，解决构效关系是永恒的话题。现在 AI for Science 已经有相当多的可解释模型和相应的解释方法可以帮助我们分析构效关系，得到简明扼要的，化学家可以理解的构效关系。

双光子吸收

以双光子吸收为例，双光子吸收是在高强度光场下，一个原子或分子同时吸收两个光子并发生跃迁到更高能级的非线性光学效应。它需要每个光子的能量是所需总能量的一半，这意味着可以使用更长波长激发。它是一个非线性过程，吸收强度是光强度的平方，只在光束最高强度区域发生。与单光子吸收不同,双光子吸收需要极高光强度才能发生。

用双光子吸收截面表示一个分子在某波长下的双光子吸收能力。分子共轭程度、两端电子吸引力与枝化程度等影响双光子吸收。由于测试和理论计算困难，文献中找到了 856 个小分子的双光子吸收实验数据。

---

Notebook 案例

当我们了解了背景，拥有了实验数据之后，我们用 Rdkit 和自己开发的 Loffi 以及 MOE 描述符对它进行特征化，并对三种特征矩阵进行特征降维和机器学习，仅用 6 个特征就可以描述如此复杂的光物理过程。也正因为我们极其简练的特征体系，最终 SHAP 算法得出结论：共轭长度对双光子吸收截面的影响成接近二次的幂次关系。

接下来，将通过 Notebook 带大家完整回顾上述双光子研究的整体过程，从实验数据出发，学习如何使用 Rdkit、Loffi 和 MOE 描述符进行特征化，以及如何对三种特征矩阵进行特征降维和机器学习。通过本 Notebook，帮助大家更好地理解如何运用 AI for Science 的可解释模型和解释方法来分析构效关系，为研究和实践提供新的参考。