作者 | 論文團隊

編輯 | ScienceAI

在藥物設計、新材料開發(fā)等領域，精確模擬分子行為至關重要。傳統(tǒng)的機器學習力場將分子視為由原子核和化學鍵構(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、反應活性等所有性質(zhì)。然而，通過量子化學計算獲取電子密度數(shù)據(jù)成本極高，嚴重阻礙了該方向的研究。

近日，湖南大學/國家超算長沙中心聯(lián)合寧波東方理工大學、香港科技大學（廣州）AIMS Lab、華東師范大學、中國科學技術大學等團隊在國際頂會NeurIPS 2025（神經(jīng)信息處理系統(tǒng)大會，AI領域頂會）上發(fā)布研究成果——大規(guī)模電子密度泛函數(shù)據(jù)集EDbench

這個涵蓋336萬分子的“電子密度數(shù)據(jù)庫”，首次填補了“電子級分子建?！钡拇笠?guī)模數(shù)據(jù)空白，讓AI預測分子性質(zhì)的精度和效率實現(xiàn)雙重突破，有望加速新藥研發(fā)、新材料設計等關鍵領域的進程。

論文主頁：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。打個比方：如果把分子比作“智能手機”，傳統(tǒng)AI分子建模（MLFFs）只關注“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）展示了從原子級到電子級的MLFF范式升級，其中電子密度（ED）是描述電子空間分布的量子力學中的基本物理量，可以提供分子系統(tǒng)更細致的物理表示，但是長期以來，獲取ED數(shù)據(jù)堪稱“兩難”：

• 實驗測量（如X射線衍射）依賴千萬級設備，單種分子的ED數(shù)據(jù)需數(shù)月才能獲??；
• 理論計算（DFT）雖通用，但算一個小分子要245秒，想攢“百萬級數(shù)據(jù)集”需單核心連續(xù)計算23年。

這就導致AI分子建模始終卡在“原子級”——比如預測藥物分子與靶點的結(jié)合活性時，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)”的真實作用，精度往往差強人意。

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域長期存在的“數(shù)據(jù)荒”問題，該數(shù)據(jù)集的創(chuàng)建并不是“簡單攢數(shù)據(jù)”，而是“精度、規(guī)模、實用性”的多重考量。

1.規(guī)模突破：336萬分子的“算力攻堅”

從細節(jié)角度來看，圖（b）展示了數(shù)據(jù)集構(gòu)建中的DFT計算流程，該流程是通過自洽場（SCF）迭代來實現(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個類藥分子，規(guī)模超同類成果：

• 材料領域經(jīng)典ED數(shù)據(jù)MP僅含12萬條數(shù)據(jù)，且無量子性質(zhì)標注；
• 藥物領域最大電子相關數(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——相當于給每個分子拍了“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)符合真實量子規(guī)律，團隊基于圖（c）中Jacob’s ladder做了三重優(yōu)化：

• 泛函選擇：選用B3LYP混合泛函——這是量子化學的“萬金油”，在合成化學、藥物研發(fā)等領域經(jīng)過驗證，能平衡電子相關性描述與計算效率；
• 基組適配：普通分子用6-31G基組，含硫分子追加6-31+G基組——因為硫原子的電子離域性強，普通基組會低估其ED分布；
• 自旋適配：自動切換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，避免自旋污染導致的誤差。

3.標注維度：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）。這種“多維度標注”正是AI突破“單任務擬合”的關鍵——例如，模型可通過“ED分布→軌道能量→反應活性”的鏈式學習，實現(xiàn)更本質(zhì)的性質(zhì)預測。

三大基準任務：驗證AI的“電子理解能力”

為避免數(shù)據(jù)集“只存不用”，團隊設計了覆蓋ED核心應用場景的基準任務，均采用scaffold split（OOD泛化性測試），直擊AI建模的真實痛點。

1.量子性質(zhì)預測：ED比原子特征強在哪？

4個子任務中，X-3D（點云模型）的表現(xiàn)印證了ED的優(yōu)勢：

• ED5-OE（軌道能量預測）：HOMO能量MAE僅0.0198 eV，較原子級模型（MAE≈0.03 eV）精度提升34%——因為軌道能量與局部ED分布直接相關，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“不對稱性”，AI能通過這種特征精準分類。

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

ED5-MER任務中，模型需實現(xiàn)“分子結(jié)構(gòu)→ED”和“ED→分子結(jié)構(gòu)”的雙向檢索，這對藥物虛擬篩選、材料逆設計至關重要。

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準確率達78.71%，MS→ED達78.36%。這意味著：給一張實驗測得的電子云圖，AI能精準匹配對應的分子結(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)動的逆設計”奠定基礎。

3. ED生成：1.8萬倍提速的“DFT平替方案”

團隊提出HGEGNN異構(gòu)圖模型（將原子與電子作為雙類型節(jié)點），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相關達99.2%，且用于下游能量預測時，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計算的噪聲，反而更適合模型學習。

生成ED的質(zhì)量“反超”DFT？

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

團隊用HGEGNN生成3組ED數(shù)據(jù)（G#1、G#2、G#3），替換ED5-EC任務中的DFT數(shù)據(jù)，訓練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，相對提升11%。

圖中藍色柱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”，而是其“更平滑的分布”更契合深度學習模型的歸納偏好，減少了DFT計算中的數(shù)值噪聲，為“高效-高精度建?！碧峁┝诵滤悸?。

參數(shù)玄機：閾值與采樣點如何影響性能？

ED數(shù)據(jù)的“高維度”（百萬級采樣點）可能導致模型效率低下，團隊通過消融實驗找到最優(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任務的MAE從346.36降至209.29；但ρτ超過0.2后，性能反而下降——因為過高的閾值會過濾掉化學鍵附近的低密度電子（化學活性區(qū)），這提示：ρτ=0.2是“信息保留與效率”的黃金平衡點。

對AI for Science的啟示：從“擬合”到“理解”

EDBench的價值遠超“一個數(shù)據(jù)集”：它首次證明了“電子級表征”在AI建模中的可行性，為幾何深度學習（GDL）開辟了新方向——過去GDL聚焦“原子間對稱關系”，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

正如團隊通訊作者所言：“EDBench”不是終點，而是讓AI“看懂電子”的起點——當模型能真正理解電子分布，新藥研發(fā)、新材料設計才有可能從“試錯”走向“預測”。