郭哲來 Jer-Lai Kuo

自主開發理論與演算法
為了解更複雜的醣類和胜肽的結構
開拓新的可能性

因量子化學與固態物理理論的進步與電腦算力的快速發展，第一原理計算得出的位能面已經被廣泛使用在物理化學與材料等多個科學領域以了解物質的結構特性與化學反應。然而常用以鑑定與檢測分子結構之實驗手段（如光譜與質譜）卻無法直接量測位能面。我們團隊研究重點正是發展連結第一原理所得之位能面與實驗觀測值的理論架構與計算工具。舉例來說：化學研究中常用第一原理得到的穩定分子結構來解釋實驗上觀察到的光譜，然而能準確且徹底的搜尋複雜分子結構一直是困擾計算化學領域的第一道難題。我們研究團隊整合了深度學習神經網路發展出「從頭算結構搜尋法」在不失去第一原理精度且不需實驗訊息的前提下對複雜醣類和胜肽的結構搜尋達成數千倍的加速。第二個難題是即使猜對分子的結構，教科書之簡諧分析所得之震動光譜常與實驗上光譜有定性與定量的差距。例如費米共振常導致分子中一個震動模式在實驗中劈裂成多個譜線，此現象容易造成對有機分子光譜與結構的誤判。迄今處理費米共振需要有經驗的光譜學者依據自身經驗建立參數化的哈密頓量用以對比實驗光譜，然而文獻中類似分子的參數化的哈密頓量常存在自相矛盾之處，且此經驗式的處理缺乏一個堅實的理論基礎。我們研究團隊自主發展的「從頭算非簡諧演算法」，可以不需要依靠經驗與擬合得來的參數能直間了解分子系統的結構和振動光譜背後的物理圖像。