报告摘要

快速预测各类分子、纳米粒子的物理化学性质在材料的理性设计中具有重要的意义。利用密度泛函理论或者耦合簇等电子结构方法计算分子体系的电子结构性质需要付出高昂的计算代价，限制了对不同官能团排列组合而成的海量候选分子进行大规模、高通量的筛选。本次报告将介绍目前发展的机器学习和深度学习方法，对量子化学计算结果、材料分子的溶解度、催化反应路径等数据集进行学习，建立各类计算模型，对各类分子、纳米粒子、分子筛/MOF/二维材料等体系的电子结构（偶极矩、极化率、自由能、焓等）、催化性质等进行预测，并对人工智能在材料研发中的广泛应用进行了展望。

嘉宾简介

马晶，南京大学化学化工学院教授。1998年获南京大学博士学位。随后获聘日本JSPS特别研究员。2001年南京大学副教授，2005年任南京大学教授。2008年获国家级领军人才、霍英东青年教师基金资助，2012年获中国青年女科学家。先后获全国巾帼建设标兵（2023年）、江苏省巾帼建设标兵（2013年）、江苏省高校优秀党员（2014年）等荣誉。致力于光电功能材料的理论研究，发展高效的多尺度模拟与机器学习方法，在Science, Nat. Chem, Nat. Commun., Acc. Chem. Res.，J. Am. Chem. Soc.等期刊上发表学术论文350余篇，应邀撰写国际专章3部、主编《AI化学与生物》科普书籍。担任中国化学会理论化学委员会委员、Langmuir高级编辑、《物理化学学报》、JCTC和JPCL的编委。