【儀表網(wǎng) 研發(fā)快訊】11月3日，《自然·化學(xué)》以封面文章在線發(fā)表了武漢大學(xué)、中國科學(xué)技術(shù)大學(xué)、與香港科技大學(xué)的合作新成果，報道了由中國團(tuán)隊提出的化學(xué)知識驅(qū)動的材料研發(fā)新范式，通過“實驗—機(jī)器學(xué)習(xí)—推薦”的循環(huán)迭代，成功縮短了研發(fā)周期，精準(zhǔn)鎖定具有超強(qiáng)熒光的晶態(tài)孔材料。
論文題為“Discovery of highly fluorescent covalent organic frameworks through AI-assisted iterative experiment–learning cycles”(《通過人工智能輔助的迭代實現(xiàn)-學(xué)習(xí)循環(huán)發(fā)現(xiàn)強(qiáng)熒光共價有機(jī)框架》)。第一作者為武漢大學(xué)化學(xué)與分子科學(xué)學(xué)院的2020屆博士生張亮、中國科學(xué)技術(shù)大學(xué)博士生杜嘉輝和謝子鍇博士后，通訊作者為武漢大學(xué)鄧鶴翔教授、中國科學(xué)技術(shù)大學(xué)江俊教授與陳林江教授以及香港科技大學(xué)唐本忠院士。
在追求高性能新材料的科學(xué)長征中，化學(xué)家們一直夢想能像“按圖索驥”般，精準(zhǔn)設(shè)計并合成出具有特定性能的理想材料。然而，傳統(tǒng)的“試錯法”如同大海撈針，效率低、成本高，使無數(shù)潛在材料湮沒在無盡的實驗組合中。在此研究中，武漢大學(xué)鄧鶴翔課題組領(lǐng)導(dǎo)的一個跨學(xué)科團(tuán)隊，針對共價有機(jī)框架(COF)熒光性能的研發(fā)，提出了一種變革性的方法，通過AI賦能的“交互式實驗-學(xué)習(xí)進(jìn)化”(Interactive experiment-learning evolution)，將化學(xué)知識驅(qū)動的機(jī)器學(xué)習(xí)推薦、動手實驗驗證與迭代模型精煉相結(jié)合，形成動態(tài)的反饋循環(huán)，極大地加速了COF的研發(fā)。
在一個由20種胺類化合物和26種醛類化合物所構(gòu)建的高達(dá)520種獨(dú)特結(jié)構(gòu)的COF材料庫中，若采用傳統(tǒng)的逐一篩選的方法，將產(chǎn)生巨大的實驗負(fù)擔(dān)。通過AI賦能的“交互式實驗-學(xué)習(xí)進(jìn)化”，研究者僅通過經(jīng)3輪迭代、11次COF合成實驗(約占理論組合數(shù)的2%)，便成功篩選出光致發(fā)光量子產(chǎn)率突破41%的明星材料。這好比在爬山中快速找到攀登的最佳路徑，在化學(xué)合成的探索中突破材料性能極限的同時大幅節(jié)省了寶貴資源，顯著加速了從概念到應(yīng)用發(fā)現(xiàn)的進(jìn)程。在此過程中，AI系統(tǒng)由一個被動的預(yù)測者，進(jìn)化成一個能夠根據(jù)真實實驗數(shù)據(jù)不斷學(xué)習(xí)和適應(yīng)的實體。
該方法成功的核心體現(xiàn)在模型與數(shù)據(jù)的融合方式的創(chuàng)新。與傳統(tǒng)的“數(shù)據(jù)驅(qū)動”材料研發(fā)不同的是，此工作通過將量子力學(xué)原理、化學(xué)知識與機(jī)器學(xué)習(xí)技術(shù)整合為有機(jī)整體，首次將“孿生神經(jīng)網(wǎng)絡(luò)”(Siamese neural network)用于材料的研發(fā)。分子基態(tài)和激發(fā)態(tài)電子結(jié)構(gòu)等知識的引入有效克服了純數(shù)據(jù)驅(qū)動方案在化學(xué)空間外推時的局限性，使得AI系統(tǒng)在預(yù)測未知材料特性時展現(xiàn)出前所未有的推理能力和準(zhǔn)確性，從而實現(xiàn)由“數(shù)據(jù)驅(qū)動”到“知識驅(qū)動”的材料研發(fā)范式的轉(zhuǎn)變。
AI“化學(xué)大腦”巧用有限實驗，高效“鎖定”超強(qiáng)熒光COF材料
從實驗角度上看，研究的迭代特性表明模型需要通過持續(xù)的實驗反饋不斷完善，更加突出了真實實驗結(jié)果在模型推薦準(zhǔn)確性中的核心參考作用。值得注意的是，鄧鶴翔團(tuán)隊近期在二維COF單晶結(jié)構(gòu)解析方面的突破為此項研究的順利開展提供了重要結(jié)構(gòu)數(shù)據(jù)支撐。在新的研究框架中，AI并未被定位為替代傳統(tǒng)試錯的"萬能藥"，而更像能夠通過實踐驗證不斷調(diào)整策略的關(guān)鍵合作伙伴。這種范式轉(zhuǎn)變促進(jìn)了化學(xué)家與AI之間更加協(xié)同的共生關(guān)系，將深刻改變研究問題的提出、假設(shè)驗證和發(fā)現(xiàn)確認(rèn)的方式。
值得一提的是，量子信息學(xué)習(xí)賦予的模型可解釋性確保了AI在推薦結(jié)構(gòu)的過程中并非"黑箱"操作，而是建立在機(jī)理理解的基礎(chǔ)之上。將激發(fā)態(tài)電子結(jié)構(gòu)等化學(xué)知識嵌入機(jī)器學(xué)習(xí)過程，使AI能夠“理解”前線軌道、激發(fā)態(tài)布局等深層物化原理。通過對22個實驗樣本的系統(tǒng)分析，AI揭示了醛基單元作為“熒光團(tuán)”、胺基單元傾向“猝滅”熒光的機(jī)制，并明確了HOMO-LUMO能級匹配是實現(xiàn)高熒光的關(guān)鍵。這些發(fā)現(xiàn)如同揭開了材料設(shè)計的“基因密碼”，為理性設(shè)計提供了新方向。
本研究由中國科學(xué)院智能科學(xué)家攻堅專項、國家自然科學(xué)基金、國家重點研發(fā)計劃及武漢大學(xué)創(chuàng)新團(tuán)隊項目資助。中國科學(xué)技術(shù)大學(xué)精準(zhǔn)智能化學(xué)全國重點實驗室、上海同步輻射光源(SSRF)、武漢大學(xué)大型儀器共享平臺和測試中心為工作開展提供了有力支撐。特別感謝浙江大學(xué)錢俊教授、耿偉航同學(xué)為熒光COF材料的雙光子熒光表征及生物成像提供了重要的幫助；武漢大學(xué)鄧俊教授、沈安琪同學(xué)在文章繪圖方面的幫助；香港科技大學(xué)林榮業(yè)教授、李文朗、歐新文、陽生熠、何山博士后和矯焱天博士為熒光COF的機(jī)理研究提供了重要幫助；論文的合作者還包括武漢大學(xué)黃冰教授和周毅、龔成濤、高藝君、閆春興以及趙成彬同學(xué)。
所有評論僅代表網(wǎng)友意見，與本站立場無關(guān)。