11月13日，《自然·化學》以封面文章在線發表了武漢大學、科學技術大學、與香港科技大學的合作新成果，報道了由團隊提出的化學知識驅動的材料研發新范式，通過“實驗—機器學—”的循環迭代，*縮短了研發周期，*鎖定具有強熒光的晶態孔材料。
  論文題為“Discovery of highly 、WWW.shzy4.com/fluorescent covalent organic works through AI-assisted iterative experiment–learning cycles”(《通過人工智能輔助的迭代實現-學循環發現強熒光共價有機框架》)。*作者為武漢大學化學與分子科學學的2020屆博士生張亮、科學技術大學博士生杜嘉輝和謝子鍇博士后，通訊作者為武漢大學鄧鶴翔教授、科學技術大學江俊教授與陳林江教授以及香港科技大學唐本忠士。
 
  在追求高性能新材料的科學長征中，化學家們一直夢想能像“按圖索驥”般，*設計并合成出具有特定性能的理想材料。然而，傳統的“試錯法”如同大海撈針，效率低、成本高，使無數潛在材料湮沒在無盡的實驗組合中。在此研究中，武漢大學鄧鶴翔課題組領導的一個跨學科團隊，針對共價有機框架(COF)熒光性能的研發，提出了一種變革性的方法，通過AI賦能的“交互式實驗-學進化”(Interactive experiment-learning WWW.shybdj6.net/evolution)，將化學知識驅動的機器學、動手實驗驗證與迭代模型精煉相結合，形成動態的反饋循環，極大地加速了COF的研發。
 
  在一個由20種胺類化合物和26種醛類化合物所構建的高達520種結構的COF材料庫中，若采用傳統的逐一篩選的方法，將產生巨大的實驗負擔。通過AI賦能的“交互式實驗-學進化”，研究者僅通過經3輪迭代、11次COF合成實驗(約占理論組合數的2%)，便*篩選出光致發光量子產率突破41%的明星材料。這好比在爬山中快速找到攀登的*路徑，在化學合成的探索中突破材料性能極限的同時大幅節省了寶貴資源，顯著加速了從概念到應用發現的進程。在此過程中，AI系統由一個被動的預測者，進化成一個能夠根據真實實驗數據不斷學和適應的實體。
 
  該方法*的核心體現在模型與數據的融合方式的創新。與傳統的“數據驅動”材料研發不同的是，此工作通過將量子力學原理、化學知識與機器學技術整合為有機整體，首次將“孿生神經網絡”(Siamese/WWW.shhzy3.cn neural network)用于材料的研發。分子基態和激發態電子結構等知識的引入有效克服了純數據驅動方案在化學空間外推時的局限性，使得AI系統在預測未知材料特性時展現出前所未有的推理能力和準確性，從而實現由“數據驅動”到“知識驅動”的材料研發范式的轉變。
 

AI“化學大腦”巧用有限實驗，高效“鎖定”強熒光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的實驗反饋不斷完善，更加突出了真實實驗結果在模型準確性中的核心參考作用。值得注意的是，鄧鶴翔團隊近期在二維COF單晶結構解析方面的突破為此項研究的順利開展提供了重要結構數據支撐。在新的研究框架中，AI并未被定位為替代傳統試錯的"藥"，而更像能夠通過實踐驗證不斷調整策略的關鍵合作伙伴。這種范式轉變促進了化學家與AI之間更加協同的共生關系，將深刻改變研究問題的提出、假設驗證和發現確認的方式。
  值得一提的是，量子信息學賦予的模型可解釋性確保了AI在結構的過程中并非"黑箱"操作，而是建立在機理理解的基礎之上。將激發態電子結構等化學知識嵌入機器學過程，使AI能夠“理解”前線軌道、激發態布局等深層物化原理。通過對22個實驗樣本的系統分析，AI揭示了醛基單元作為“熒光團”、胺基單元傾向“猝滅”熒光的機制，并明確了HOMO/WWW.shsaic.net/-LUMO能級匹配是實現高熒光的關鍵。這些發現如同揭開了材料設計的“基因密碼”，為理性設計提供了新方向。
  本研究由科學智能科學家攻堅專項、*自然科學基金、*重點研發計劃及武漢大學創新團隊項目資助。上海新躍儀表廠科學技術大學*智能化學重點實驗室、上海同步輻射光源(SSRF)、武漢大學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。特別感謝浙江大學錢俊教授、耿偉航同學為熒光COF材料的雙光子熒光表征及生物成像提供了重要的幫助；、WWW.shyb118.com/武漢大學鄧俊教授、沈安琪同學在文章繪圖方面的幫助；上海上自儀轉速表廠香港科技大學林榮業教授、李文朗、歐新文、陽生熠、何山博士后和矯焱天博士為熒光COF的機理研究提供了重要幫助；論文的合作者還包括武漢大學*教授和周毅、龔成濤、高藝君、閆春興以及趙成彬同學。