作者 | 論文團隊

編輯丨ScienceAI

過去幾年，谷歌、微軟等公司陸續展示了生成式人工智能在材料科學中的潛力。不同于傳統「先提出材料、再逐個測試」的方式，人工智能可以從目標性能出發，反向生成可能滿足條件的新材料，從而大幅加快材料發現過程。

不過，對于一些數據極度稀缺、結構約束又非常嚴格的材料體系，現有生成式人工智能往往難以真正發揮作用。二維有機 — 無機雜化鈣鈦礦就是一個典型例子。

這類材料被廣泛認為是下一代太陽能電池的重要候選體系之一。其中，二維 DJ 相鈣鈦礦因其特殊的結構穩定性和光電性能受到關注。然而，目前已知可用于二維 DJ 相鈣鈦礦的有機分子只有幾十種，如果不加結構約束，小有機分子的潛在化學空間可達 約 10^60 量級；而二維 DJ 相鈣鈦礦對有機間隔陽離子的結構要求又非常嚴格，使得這一體系既「空間巨大」，又「可行區域狹窄」。

如何在如此龐大、卻又高度受限的化學空間中高效尋找可行材料，一直是「人工智能賦能科學發現」面臨的重要挑戰。

近期，來自香港理工大學、新南威爾士大學等機構的吳韜、殷駿等團隊在《Science Advances》發表了一項人工智能輔助反向設計研究，嘗試為這一問題提供新的解決思路。

研究團隊提出了一種面向二維 DJ 相鈣鈦礦的分子指紋框架。該框架能夠將有機分子編碼為一種可逆的數字指紋，使人工智能可以在嚴格結構約束下，更高效地搜索潛在可行材料。

與傳統分子嵌入表示不同，這一分子指紋不僅可以作為人工智能模型的輸入，還能夠重新映射回真實的有機分子結構。換句話說，人工智能不再只是「理解」材料結構，而是開始具備從目標性質出發、反向生成有機分子的能力。

值得注意的是，這項研究并不是簡單套用大模型「憑空生成分子」，而是通過將化學知識編碼進可逆分子指紋，讓 AI 在嚴格受限的結構空間中進行目標驅動搜索。

圖一：面向目標能級與制備可行性的二維 DJ 相鈣鈦礦人工智能輔助反向設計流程。

整個分子指紋由 12 個描述符構成，用于刻畫芳香環數量、連接鏈長度、銨基位置、雜原子取代以及側鏈結構等關鍵分子特征。這些描述符既保留了二維鈣鈦礦所需的重要結構信息，也讓龐大的化學空間探索變得更加可控。

圖二：二維 DJ 相鈣鈦礦有機間隔陽離子的可逆分子指紋表示方法。

基于這一理論框架，研究團隊從僅有的 21 個已知 DJ 相有機分子出發，通過分子結構變形不斷擴展化學空間，最終創建出一個包含近 500 萬個假象有機分子的候選空間。

圖三：高通量數據生成與能級排列分析。

在獲得百萬級候選分子空間后，研究人員進一步結合高通量第一性原理計算與可解釋機器學習，對候選材料的能級排列進行預測和篩選。

圖四：機器學習模型性能與分子結構特征影響分析。

其中，可解釋機器學習不僅用于提高篩選效率，也幫助研究人員理解哪些分子結構特征會顯著影響 HOMO 和 LUMO 能級，從而為后續分子設計提供更清晰的結構 — 性能關聯。

不過，對于材料發現而言，找到「理論上性能合適」的分子還遠遠不夠。為了避免人工智能只給出「理論上可能、實驗上很難實現」的候選分子，研究團隊進一步引入了制備可行性篩選。該步驟不僅關注有機分子本身是否容易合成，也評估其是否有可能形成穩定的二維 DJ 相鈣鈦礦結構。

圖五：面向二維 DJ 相鈣鈦礦制備可行性的兩步篩選流程。

最終，人工智能從海量候選中鎖定了 56 個具有目標能級匹配關系的潛在分子候選。其中包括此前較少被系統研究的 Type Ib、Type IIa 和 Type IIb 能級結構，為二維鈣鈦礦材料設計提供了新的候選方向。

圖六：反向設計得到的 Type Ib、Type IIa 和 Type IIb 能級排列二維 DJ 相鈣鈦礦候選材料。

相比傳統「暴力篩選」模式，這種反向設計流程更像是一種「目標驅動搜索」。研究者不再需要先提出分子，再逐一測試其性能；而是可以先定義目標能級、目標能帶排列和目標功能，再由人工智能反向尋找最可能滿足條件的分子結構。

這項工作回應了人工智能輔助材料發現中的一個關鍵難題：在數據稀缺、結構約束嚴格的材料體系中，如何讓模型真正參與到材料設計過程，而不僅僅是進行性質預測。通過構建可逆分子指紋，該研究在人工智能與材料科學之間搭建了一座新的橋梁。

除了太陽能電池，這一框架未來還有望進一步擴展到有機半導體、金屬有機框架材料、雜化材料以及分子電子學等更廣泛的材料體系中。