[论文解读] High-throughput ab initio reaction mechanism exploration in the cloud with automated multi-reference validation

Jan P. Unsleber, Hongbin Liu+11 more|arXiv (Cornell University)|Nov 27, 2022

Machine Learning in Materials Science被引用 7

一句话总结

该论文提出 AutoRXN，一种全自动、基于云的工作流程，用于高通量从头计算反应机理探索，整合了 DFT、耦合簇方法以及通过 $Z_{s(1)}$ 和 autoCAS 等诊断工具实现的自动化多参考态验证。该工作流程支持完全自主、可扩展的反应网络筛选，并具备内置错误检查功能，在一个均相催化剂体系中验证了所有关键结构均具有单参考态特征。

ABSTRACT

Quantum chemical calculations on atomistic systems have evolved into a standard approach to study molecular matter. These calculations often involve a significant amount of manual input and expertise although most of this effort could be automated, which would alleviate the need for expertise in software and hardware accessibility. Here, we present the AutoRXN workflow, an automated workflow for exploratory high-throughput lectronic structure calculations of molecular systems, in which (i) density functional theory methods are exploited to deliver minimum and transition-state structures and corresponding energies and properties, (ii) coupled cluster calculations are then launched for optimized structures to provide more accurate energy and property estimates, and (iii) multi-reference diagnostics are evaluated to back check the coupled cluster results and subject hem to automated multi-configurational calculations for potential multi-configurational cases. All calculations are carried out in a cloud environment and support massive computational campaigns. Key features of all omponents of the AutoRXN workflow are autonomy, stability, and minimum operator interference. We highlight the AutoRXN workflow at the example of an autonomous reaction mechanism exploration of the mode of action of a homogeneous catalyst for the asymmetric reduction of ketones.

研究动机与目标

• 为解决高通量量子化学计算在反应机理探索中自动化程度不足的问题，特别是识别和验证多参考态特征。
• 通过在云环境中实现 DFT、耦合簇和多参考态计算的自主执行，减少对专家干预的依赖。
• 提供一种可扩展、稳定且最大限度减少人工干预的工作流程，用于高精度、高可靠性的复杂反应网络探索。
• 证明在内置单参考态与多参考态特征验证的前提下，实现全自动、大规模从头计算筛选催化循环的可行性。
• 通过开放源代码软件和可访问的云基础设施，使非专家也能执行高通量电子结构计算。

提出的方法

• AutoRXN 工作流程部署于 Microsoft Azure，使用 Azure 虚拟机和 CycleCloud 处理 HPC 工作负载。
• 集成 SCINE Chemoton 实现反应网络的自动化探索，以及 Serenity 实现基于 DFT 的几何优化和性质预测。
• 基于 AiiDA 的工作流编排高通量耦合簇单点计算（CCSD(T))，以精修 DFT 结果中的反应能垒和能量。
• 计算多参考态诊断指标，包括 T1 和基于轨道熵的 $Z_{s(1)}$，以检测潜在的多组态特征。
• 当 $Z_{s(1)} > 0.14$ 时，autoCAS 算法自动触发活性空间选择和 CASPT2 计算以进行验证。
• 自动轨道匹配程序确保在单参考态与多参考态混合情况下活性空间定义的一致性。

实验结果

研究问题

• RQ1 是否能够通过完全自动化、原生云环境的工作流程，在极少人工干预下可靠地大规模探索复杂反应机理？
• RQ2 在高通量筛选中，自动化多参考态诊断（如 $Z_{s(1)}$）在识别需要多参考态处理的案例方面有多高效？
• RQ3 是否能够实现耦合簇与多参考态计算的自动化，并无缝嵌入高通量工作流中？
• RQ4 当底层 DFT 参考态可能不充分时，单参考态耦合簇结果在多大程度上可以被信任？
• RQ5 此类工作流程是否可应用于真实催化体系，以揭示此前未被探索的反应路径？

主要发现

• AutoRXN 工作流程成功实现了对均相催化剂反应网络的大规模、全自动筛选，完整自动化了 DFT、CCSD(T) 和多参考态验证步骤。
• 网络中所有高 T1 结构的 $Z_{s(1)}$ 值均低于 0.14，表明无显著多参考态特征，从而验证了该体系的单参考态本质。
• 尽管 T1 诊断提示可能存在潜在问题，但基于 $Z_{s(1)}$ 的诊断正确识别出该体系为单参考态，证明其在此情境下优于 T1。
• autoCAS 算法实现了活性空间选择和 CASPT2 计算的全自动执行，确认了所有关键结构的单参考态特征。
• 该工作流程在数千个结构上实现了稳定一致的结果，且人工干预极少，证明其在云环境中的可扩展性与鲁棒性。
• 整个端到端流程（包括诊断与验证）完全自主运行，初始设置后无需任何人工干预。