从构象系综到实验 λmax 的端到端预测链：误差在构象采样、能量权重、激发态方法三层上的方差分解

1 · 研究问题

在把有机染料的最大吸收波长（λmax）从结构预测到实验值的完整计算链中，端到端误差有多少来自构象采样不足（只取最低能构象 vs 取玻尔兹曼系综）、多少来自能量权重方法（GFN-FF vs GFN2-xTB 给出的权重）、多少来自激发态方法本身？在纯 CPU 笔记本可及的方法组合下，构象层的贡献是否大到足以被分辨？

2 · 研究背景与空白

预测染料 λmax 是激发态计算最经典的应用之一，标准做法是：生成构象系综 → 用某种能量方法给玻尔兹曼权重 → 逐构象算激发能 → 加权得系综光谱。文献报告的 TD-DFT λmax 误差通常在 0.2–0.4 eV，归因于泛函选择、溶剂模型、振动效应等。

已有工作走到哪一步：泛函层面的评测最充分（多篇工作比较 BMK、CAM-B3LYP、M06-2X、MN15 在特定染料族上的 λmax 误差）；构象系综的重要性被反复定性强调，已有工具链（CREST 生成系综 + 多泛函 TD-DFT + 高斯展宽合成光谱）实现该流程，也有关于玻尔兹曼加权自身误差的分析；构象生成工作流差异对下游性质的影响近年开始被系统比较（如 COSMO-RS 构象工作流对比工作）。

空白在：这三层误差几乎从未被放在同一实验对照集上做方差分解——使用者不知道该把有限算力花在"多找几个构象"还是"换个更贵的激发态方法"上。这属于评价维度的转换。之所以排在最后，是因为它有一个真实的失败模式：若激发态方法层的误差（0.3–0.5 eV）远大于构象层贡献（可能仅 0.05 eV），构象层就会被淹没在噪声里而无法分辨。本课题的设计必须让"淹没"本身成为可交付的定量结论，否则不应启动。

3 · 可检验假设

H1 在 ≥ 200 个有机染料的实验 λmax 对照集上，端到端误差的方差分解中，激发态方法层贡献 ≥ 60%，构象采样层贡献 ≤ 15%；即"多找构象"对精度的边际收益远低于"换更好的激发态方法"。

H2 构象层的贡献在柔性分子子集（可旋转键数 ≥ 5）上显著高于刚性子集，比值 ≥ 2.5（自助 95% 置信区间下界 > 1.5）；即存在一个可用可旋转键数事先判断的分子类别，对它们构象采样才值得投入。若 H2 被否证，则给出"构象层贡献与柔性无关"的结论，同样直接改变实践。

4 · 量化验收标准

1. 方法学校验（硬门槛）：用自建管线在文献中已有 λmax 计算报告的 ≥ 15 个染料上，用相同的激发态方法与溶剂模型重算 λmax，与已发表计算值对比，偏差 ≤ 0.1 eV（约 0.1 eV 对应可见区约 15–25 nm，须在报告中给出该换算）；同时在 ≥ 5 个分子上确认自建的玻尔兹曼加权实现与手算一致（权重相对误差 ≤ 1%）。此条不过关，后续全部方差分解无效。
2. 统计口径预先写死：误差统一以 eV 为单位报告（波长的误差分布强烈非对称，不得只用 nm，但须同时给出 nm 换算以便与实验文献对读）；报 MAE、RMSE 与平均带符号误差。方差分解用嵌套设计（每个分子 × 构象策略 × 权重方法 × 激发态方法的全因子或部分因子设计），用方差分量估计（如 ANOVA 或线性混合模型）给出各层贡献比例，所有比例给 1,000 次自助（自助单位为分子）95% 置信区间。溶剂作为协变量或分层变量处理，不得忽略。
3. 样本量下限：分子 ≥ 200 个（覆盖 ≥ 4 个染料骨架族），每个分子构象 ≥ 10 个（柔性子集 ≥ 30 个）；柔性/刚性分层各 ≥ 60 个分子。
4. 必须报告"可分辨性"：明确给出本设计能分辨的最小方差分量（基于自助区间宽度），并在结论中声明哪些层的贡献低于该分辨阈值——这是本课题诚实性的核心。
5. 至少 2 个激发态方法层级对照（sTDA-xTB 全量 + 真 TD-DFT 在 ≤ 30 个小分子子集上），用于估计"廉价方法层"本身引入的偏置。
6. 全部结构、构象系综、激发态计算输入输出、加权与方差分解脚本开源，一条命令可重跑。

5 · 数据与工具

用途	来源 / 工具
实验 λmax	公开的有机化合物光学性质实验数据库（如 Joung 等, Scientific Data 2020 发布的有机分子吸收/发射光谱数据集，约 2 万条记录，含溶剂信息；Figshare 公开下载）。仅用于校验与对比，不计入本项目的数据贡献
构象生成	RDKit ETKDG + MMFF/xtb 优化去重（主路径，成本可控）；CREST 元动力学（可选，成本高，见 C02 的实测要求）
能量权重	xtb 的 GFN2-xTB 与 GFN-FF（两套权重构成"权重方法层"），含 ALPB/GBSA 隐式溶剂
激发态（主）	sTDA / sTD-DFT（Grimme 组的 stda 程序，配合 xtb4stda 或 xtb 的相应接口）。极廉价：30–50 原子染料每构象秒级。其精度低于 TD-DFT（典型偏差 0.3–0.5 eV），这一点必须显式声明并作为"激发态方法层"的一个水平纳入设计，而非隐瞒
激发态（对照）	PySCF 的 TDDFT（pyscf.tddft）在 ≤ 30 个小染料（≤ 15 重原子）上做对照。成本警示：15 重原子染料在 def2-SVP 下的基态 SCF + TDDFT 单点约 10–60 分钟/构象，30 分子 × 5 构象 ≈ 25–150 小时，必须后台分批并严格限制子集规模
算力	纯 CPU。主链（RDKit 构象 + xtb 优化 + sTDA）对 200 分子 × 10 构象 ≈ 2,000 个构象，估计 10–40 小时（xtb 优化是主要开销，需本机实测）。超出范围的方案（明确列出）：全量 TD-DFT、显式溶剂 MD 采样、激发态几何优化与荧光发射预测、任何 20 重原子以上分子的 TD-DFT——一律不做

6 · 方法路径

1. 装 xtb + stda + RDKit + PySCF，跑通各自的官方算例，实测单构象 sTDA 与单构象 TD-DFT 的墙钟时间，据此确定分子数与构象数上限（第 1–6 周）。
2. 下载实验 λmax 数据集，写并冻结分子筛选判据（溶剂限定为 1–2 种常用溶剂、分子量上限、元素限定、去除含金属与自由基体系、去除多重实验值冲突条目）。
3. 通过方法学校验硬门槛：复现 ≥ 15 个染料的已发表计算 λmax；验证玻尔兹曼加权实现。
4. 核实工具能力边界（第 10 周前查清）：stda 与 xtb 的接口版本兼容性、sTDA 是否支持所需的溶剂模型、PySCF 的 TDDFT 是否支持所需的隐式溶剂（很可能需要额外模块或不支持，须核实）。若溶剂模型不可用，把溶剂降为固定单一体系并在结论中限定适用范围。
5. 按全因子/部分因子设计跑主链：2 种构象策略（最低能单构象 vs 系综）× 2 种权重方法 × 1 种廉价激发态方法，覆盖全部 200 分子。
6. 在小子集上加跑 TD-DFT，估计激发态方法层的偏置量级。
7. 做方差分解与分层分析（柔性 vs 刚性），给全部分量的自助置信区间，并显式报告本设计的最小可分辨分量。
8. 独立交叉校验：对随机 20 个分子把构象数从 10 提到 30，确认构象层的方差分量估计不随构象数上限系统漂移（若漂移，说明 10 个构象不足，须在结论中声明）。

7 · 新颖性边界

• 本课题不声称提出新的激发态方法或新泛函，不声称给出比文献更准的 λmax 预测，不声称发现"构象系综对光谱重要"（这是被反复强调的既有认识），不把公开实验光谱数据库计入学生的数据贡献。
• 已有工作具体完成了什么：多篇工作在特定染料族上系统评测 TD-DFT 泛函（BMK、CAM-B3LYP、M06-2X、MN15 等）的 λmax 误差，典型量级 0.2–0.4 eV；已有工具链用 CREST 生成构象系综、按吉布斯自由能做玻尔兹曼加权、以高斯展宽合成溶剂特异的系综光谱；玻尔兹曼加权自身的误差与构象生成工作流的差异也已有专门讨论（如 COSMO-RS 构象工作流对比工作）。
• 本项目的贡献是评价维度的转换且为主结论：把三层误差放进同一个嵌套实验设计做方差分解，回答"有限算力应该花在哪一层"，并给出一个可用可旋转键数事先判断的分子分类判据。
• 为什么有价值：现行做法是把三层都尽量做好，但小资源使用者做不到。一份带置信区间的方差分解直接告诉他们该砍哪一层。
• "构象层贡献低于可分辨阈值"同样是有效结论，且是本课题很可能出现的主结论：它意味着在廉价激发态方法的误差水平下，投入算力去扩大构象系综是浪费。但这个结论只有在报告了最小可分辨分量之后才成立——否则它与"没做出来"无法区分。这是本课题验收标准第 4 条存在的全部理由。

8 · 决策门槛（go / no-go）

• 第 6 周末（关键门）：stda + xtb 工具链必须在本机跑通并给出合理的 λmax（对 3 个已知染料，误差 ≤ 0.6 eV）。若跑不通或安装受阻，立即降级：其一，把激发态方法换成 PySCF 的 TDDFT，同时把分子集缩到 ≤ 60 个小染料（≤ 12 重原子）——分子数下降，方差分解的置信区间变宽，但三层设计与主结论框架完全保留；其二，把预测目标从 λmax 换成 HOMO-LUMO 能隙（xtb 直接输出，无需任何激发态程序），对照数据改用 QM9 或公开的实验氧化还原电位集，三层分解改为"构象层 / 权重层 / 电子结构方法层"。
• 第 12 周末：方法学校验硬门槛必须通过（≥ 15 个染料复现偏差 ≤ 0.1 eV）。若无法与任何已发表计算对齐，降级为放弃与文献计算值对照，改以"两条独立实现的内部一致性"为校验基准（例如 stda 命令行 vs Python 侧重算），并在论文中如实说明校验强度下降。
• 第 20 周末（决定成败的一道门）：先用 60 个分子做一次预实验，估计三层方差分量与本设计的最小可分辨分量。若预实验显示构象层与权重层的分量都低于可分辨阈值，则主动把研究问题改写为"在廉价激发态方法的误差水平下，构象与权重层的贡献低于 X eV 的可分辨阈值"，并把剩余算力转投到"激发态方法层的分子族依赖性"（哪些骨架族上 sTDA 相对 TD-DFT 偏得最多）。这不是放弃，而是把预先设计好的第二主结论提为第一主结论——因此本课题从一开始就必须把这两个结论都写进论文提纲。
• 必须提前核实而非边做边发现（第 10 周前）：实验数据集中同一分子多来源 λmax 的分歧幅度。若分歧本身就达 0.1 eV 量级，它构成一个不可消除的噪声地板，必须作为方差分解中的独立一层（实验层）显式建模，否则会被错误地归入方法误差。
• 预算裁剪顺序：先砍 TD-DFT 对照子集（改为引用文献给出的 sTDA-vs-TDDFT 偏差量级），再砍第二种权重方法，再把构象数从 10 降到 5，最后把分子数从 200 降到 100。砍到只剩"100 分子 × 5 构象 × 单权重方法 × sTDA + 两层分解"时仍能交付主结论。
• 选择前提：全部十条中风险最高，须同时满足：已完成过至少一个 C02/C05 级量子化学项目；有可长时间后台运行的机器；接受"主结论可能是一个阈值声明而非漂亮的预测模型"；团队另有一条更稳路线（建议 C01 或 C02）并行。不建议单人单课题启动。