J. Chem. Theory Comput. | 量子时代中化学理解的演化探索

DrugOne

发布于 2025-11-17 20:47:47

370

文章被收录于专栏：DrugOneDrugOne

DRUGONE

当量子力学步入第二个世纪，理论与计算化学正处于关键的转折点。传统的基于轨道的价键理论、分子轨道理论，以及基于电子密度的框架如密度泛函理论，为化学提供了计算与概念的基础。然而，机器学习与量子计算的兴起带来了全新的表征与推理范式。研究人员回顾了过去一个世纪中化学理解的演化历程，从本体论、认识论与“涌现”三个维度探讨其发展。研究人员认为，诸如芳香性、电负性、反应性和立体选择性等化学概念并非物理定律的直接产物，而是连接理论与理解的关键支架。研究人员提出了一种通用框架，用于从化学理论的基本变量中提取化学理解，并进一步将其扩展至深度学习与量子计算领域。研究人员倡导**层级建模（Hierarchical Modeling）**作为超越多尺度建模的新范式，以整合不同层次的抽象、捕捉涌现行为并促进概念创新。研究人员指出，化学理解的未来不仅依赖于更复杂方程的求解，更依赖于一种认识论的转变——以概念多元性、认知适应性和对分层本体结构的更深理解为特征。

1929年，物理学家保罗·狄拉克提出：物理与化学的大部分基础定律已经完全被认识，但其精确应用所需的方程复杂到无法求解。理论与计算化学的发展，正是为应对这一“已知定律但难以应用”的悖论。

价键理论（VBT）、分子轨道理论（MOT）与密度泛函理论（DFT）极大推动了化学的发展，使研究人员能够计算分子性质、预测反应性并解释复杂体系的行为。然而，关键问题始终存在——化学的本质究竟是“计算”，还是“理解”？

机器学习（ML）与量子计算（QC）的出现，使化学进入全新阶段。ML揭示化学空间中的规律，而QC通过量子硬件直接模拟量子体系。这两者不仅加速计算，更重新定义了化学理解的内涵。

研究人员从本体论（存在什么）、认识论（如何认识）与理解论（为何如此）三个维度，分析化学概念（如电负性、芳香性与反应性）的演化，提出从化学理论的基本变量导出化学理解的框架，并进一步探讨ML与QC如何作为新的化学范式。最后，研究人员提出层级建模，强调跨尺度的概念整合与解释力，重新定义量子时代的化学理解。

化学作为中心科学的本体论视角

化学常被称为“中心科学”，位于物理学的抽象与生物学的复杂之间。这不仅是一句学科标语，更反映了化学独特的本体论地位。

在物理学中，研究的目标是求得体系的总能量；在生物学中，研究焦点在于能量差（ΔΔE）及其对功能与适应性的影响。而化学则聚焦于能量变化（ΔE）——化学键的形成与断裂、分子结构的重排与反应动力学。

因此，化学在本体上以“原子、分子、化学键、轨道、反应中间体”等实体为核心。这些概念既非量子力学的直接产物，也不能完全归约于量子物理。它们是涌现的、稳定的、可操作的存在，构成化学理解的基础。

图1 | 物理学、化学与生物学的本体论关系

化学本体论、认识论与化学理解之间的关系

化学知识并非线性累积，而是本体认识、理论建构与理解追求的动态互动。

化学本体论探讨“何物存在”，包括原子、分子、化学键、轨道、芳香环等；
化学认识论关注“如何认知”，涉及理论模型、实验技术与推理策略；
化学理解则回答“为何如此”，体现理论解释与预测能力。

价键理论擅长解释局域化的键合，而分子轨道理论揭示电子离域化特征。两者的共存反映了化学的认识多元性（epistemic pluralism）。

图2 | 化学本体论、认识论与理解之间的三角互依结构

化学概念作为基础

化学概念（如电负性、杂化、芳香性、酸碱性、亲核性等）是化学理解的核心支架。

这些概念不仅用于描述和预测分子行为，还在本体、认识与理解三维之间发挥“连接枢纽”的作用。

概念具有三重功能：

本体支架：定义分子世界中的实体与关系；
认识工具：指导假设、设计实验与组织模型；
理解载体：将数据转化为解释，形成化学直觉。

概念的特征包括涌现性、可迁移性与演化性。例如，芳香性并非单一可观测量，却能稳定描述一系列体系的共性。机器学习的特征选择与潜在空间表示有望揭示新的化学概念。

从化学理论到化学理解：一般框架

理论化学的核心目标是将计算数据转化为概念理解。研究人员提出：理解的关键在于识别并利用理论的基本变量（basic variable）。

波函数理论（WFT）以波函数Ψ为核心；
密度泛函理论（DFT）以电子密度ρ为变量；
机器学习（ML）以特征向量为变量；
量子计算（QC）以量子比特状态为变量。

图3 | 从WFT、DFT、ML与QC导出化学理解的示意图

研究人员指出，不同理论的互补性构成了化学的多层理解结构，真正的化学洞察来自这些视角的交汇。

机器学习：无方程的求解

机器学习带来了“不求解而求解（solving without solving）”的新范式。ML从数据中归纳出结构–性质关系，不再显式求解薛定谔方程。

本体上，ML在抽象特征空间中运作；认识论上，它以归纳推理替代演绎推导。若ML模型的内部表示（注意力图、节点嵌入等）能与化学概念对应，则可成为新的“概念发现引擎”。

研究人员提出，理想的化学ML特征应满足四项条件：

尺度可扩展性；
自适应性；
物理可解释性；
可重构电子密度能力。

当ML满足这些标准时，它可实现量子力学层面的忠实再现，并为化学概念的重新发现提供路径。

量子计算：通过“演化”获得理解

量子计算实现了“通过实施来理解（understanding through enacting）”。与经典计算不同，量子计算机以量子叠加与纠缠为基础，直接在量子层面再现化学体系的本征态。在当前的NISQ阶段，VQE与QPE算法已可模拟H₂、LiH等分子。量子态矢量是其基本变量，具有与化学体系本体一致的特征，但缺乏直观解释。

研究人员提出，应建立新的解释层，例如通过量子态层析、量子电路分解或可视化工具，将量子信息映射回化学概念（轨道、键合、反应路径等）。此外，量子机器学习（QML）结合量子态表示与机器学习推理，成为化学数据分析与分子生成的潜在方向。

从多尺度建模到层级建模

多尺度建模强调自下而上的分辨率耦合，但往往忽视跨层次的概念联系。研究人员提出层级建模（Hierarchical Modeling），以概念抽象与表征相关性为核心，通过ML与QC跨层整合数据与模型。