作者 | 论文团队

编辑丨ScienceAI

过去几年，谷歌、微软等公司陆续展示了生成式人工智能在材料科学中的潜力。不同于传统「先提出材料、再逐个测试」的方式，人工智能可以从目标性能出发，反向生成可能满足条件的新材料，从而大幅加快材料发现过程。

不过，对于一些数据极度稀缺、结构约束又非常严格的材料体系，现有生成式人工智能往往难以真正发挥作用。二维有机 — 无机杂化钙钛矿就是一个典型例子。

这类材料被广泛认为是下一代太阳能电池的重要候选体系之一。其中，二维 DJ 相钙钛矿因其特殊的结构稳定性和光电性能受到关注。然而，目前已知可用于二维 DJ 相钙钛矿的有机分子只有几十种，如果不加结构约束，小有机分子的潜在化学空间可达 约 10^60 量级；而二维 DJ 相钙钛矿对有机间隔阳离子的结构要求又非常严格，使得这一体系既「空间巨大」，又「可行区域狭窄」。

如何在如此庞大、却又高度受限的化学空间中高效寻找可行材料，一直是「人工智能赋能科学发现」面临的重要挑战。

近期，来自香港理工大学、新南威尔士大学等机构的吴韬、殷骏等团队在《Science Advances》发表了一项人工智能辅助反向设计研究，尝试为这一问题提供新的解决思路。

研究团队提出了一种面向二维 DJ 相钙钛矿的分子指纹框架。该框架能够将有机分子编码为一种可逆的数字指纹，使人工智能可以在严格结构约束下，更高效地搜索潜在可行材料。

与传统分子嵌入表示不同，这一分子指纹不仅可以作为人工智能模型的输入，还能够重新映射回真实的有机分子结构。换句话说，人工智能不再只是「理解」材料结构，而是开始具备从目标性质出发、反向生成有机分子的能力。

值得注意的是，这项研究并不是简单套用大模型「凭空生成分子」，而是通过将化学知识编码进可逆分子指纹，让 AI 在严格受限的结构空间中进行目标驱动搜索。

图一：面向目标能级与制备可行性的二维 DJ 相钙钛矿人工智能辅助反向设计流程。

整个分子指纹由 12 个描述符构成，用于刻画芳香环数量、连接链长度、铵基位置、杂原子取代以及侧链结构等关键分子特征。这些描述符既保留了二维钙钛矿所需的重要结构信息，也让庞大的化学空间探索变得更加可控。

图二：二维 DJ 相钙钛矿有机间隔阳离子的可逆分子指纹表示方法。

基于这一理论框架，研究团队从仅有的 21 个已知 DJ 相有机分子出发，通过分子结构变形不断扩展化学空间，最终创建出一个包含近 500 万个假象有机分子的候选空间。

图三：高通量数据生成与能级排列分析。

在获得百万级候选分子空间后，研究人员进一步结合高通量第一性原理计算与可解释机器学习，对候选材料的能级排列进行预测和筛选。

图四：机器学习模型性能与分子结构特征影响分析。

其中，可解释机器学习不仅用于提高筛选效率，也帮助研究人员理解哪些分子结构特征会显著影响 HOMO 和 LUMO 能级，从而为后续分子设计提供更清晰的结构 — 性能关联。

不过，对于材料发现而言，找到「理论上性能合适」的分子还远远不够。为了避免人工智能只给出「理论上可能、实验上很难实现」的候选分子，研究团队进一步引入了制备可行性筛选。该步骤不仅关注有机分子本身是否容易合成，也评估其是否有可能形成稳定的二维 DJ 相钙钛矿结构。

图五：面向二维 DJ 相钙钛矿制备可行性的两步筛选流程。

最终，人工智能从海量候选中锁定了 56 个具有目标能级匹配关系的潜在分子候选。其中包括此前较少被系统研究的 Type Ib、Type IIa 和 Type IIb 能级结构，为二维钙钛矿材料设计提供了新的候选方向。

图六：反向设计得到的 Type Ib、Type IIa 和 Type IIb 能级排列二维 DJ 相钙钛矿候选材料。

相比传统「暴力筛选」模式，这种反向设计流程更像是一种「目标驱动搜索」。研究者不再需要先提出分子，再逐一测试其性能；而是可以先定义目标能级、目标能带排列和目标功能，再由人工智能反向寻找最可能满足条件的分子结构。

这项工作回应了人工智能辅助材料发现中的一个关键难题：在数据稀缺、结构约束严格的材料体系中，如何让模型真正参与到材料设计过程，而不仅仅是进行性质预测。通过构建可逆分子指纹，该研究在人工智能与材料科学之间搭建了一座新的桥梁。

除了太阳能电池，这一框架未来还有望进一步扩展到有机半导体、金属有机框架材料、杂化材料以及分子电子学等更广泛的材料体系中。