报告时间：2022-10-27 14:30
报告地点：理化楼416，腾讯会议ID：535 692 397
报告人：李伟
主办单位：化学化工学院
报告时间：2022-10-27 14:30
报告地点：理化楼416，腾讯会议ID：535 692 397
报告人：李伟
主办单位：化学化工学院
报告人简介：
李伟，教授、博士生导师。2002 年毕业于南京大学强化部，获理学学士学位，随后免试推荐为南京大学化学化工学院直博生，2007 年获得南京大学理学博士学位。2007 年10 月至2010 年5月在美国密歇根州立大学化学系P. Piecuch 教授课题组从事博士后研究，2010 年6 月至12 月被聘为P. Piecuch 课题组的研究助理教授(Research Assistant Professor)。2011-2020年任南京大学化学化工学院副教授，2021年起任南京大学化学化工学院教授、博士生导师。
报告简介：
为了将传统的量子化学方法推广到大分子和凝聚相体系（如蛋白质、核酸和超分子等）的计算，我们将目标大体系的基态总能量表示为一系列静电嵌入的子体系的基态能量的线性组合，从而发展了基于能量的分块（GEBF）方法1。而作为人工智能的重要分支，机器学习算法通常包括监督学习（如回归与分类）、无监督学习（如聚类）、半监督学习和强化学习。我们将GEBF方法与基于核高斯近似势或神经网络的回归机器学习算法相结合，发展了在线机器学习力场2-4，可以在量子力学水平上进一步提高预测大体系的能量和力的速度，并与经典分子力学相结合，实现了气相或溶液中蛋白质和超分子等大体系的结构动力学模拟和红外或核磁性质的预测。我们还将GEBF局域激发方法与无监督的聚类机器学习算法相结合，用于大体系激发态算法和应用研究。如一种基于密度的聚类算法被用于激发态中包含生色团的子体系（活性子体系）的分类和组合5，实现了激发态构型的优化，用于大分子的荧光和磷光的计算6。
(1) Li, W.; Dong, H.; Ma, J.; Li, S. Acc. Chem. Res. 2021, 54 (1), 169–181.
(2) Cheng, Z.; Zhao, D.; Ma, J.; Li, W.; Li, S. J. Phys. Chem. A 2020, 124 (24), 5007–5014.
(3) Cheng, Z.; Du, J.; Zhang, L.; Ma, J.; Li, W.; Li, S. Phys. Chem. Chem. Phys. 2022, 24 (3), 1326–1337.
(4) Liao, K.; Dong, S.; Cheng, Z.; Li, W.; Li, S. Phys. Chem. Chem. Phys. 2022, 24 (31), 18559–18567.
(5) Du, J.; Liao, K.; Hong, B.; Wang, Z.; Ma, J.; Li, W.; Li, S. Chem. J. Chinese Univ. 2021, 42 (7), 2227–2237.
(6) Du, J.; Liao, K.; Ma, J.; Li, W.; Li, S. In revision.
