近日，国际顶级学术期刊《自然·化学》以封面论文形式，发表题为《通过人工智能辅助的迭代实验 - 学习循环发现强荧光共价有机框架》（英文标题：Discovery of highly fluorescent covalent organic frameworks through AI - assisted iterative experiment - learning cycles）的研究成果。此项工作由武汉大学联合中国科学技术大学、香港科技大学共同完成，通过智能科学家系统“实验、机器学习与推荐”的理实迭代，缩短研发周期，精准锁定具有超强荧光的晶态孔材料，创新性构建化学知识驱动AI辅助上海股票配资，高效研发特色材料新范式。
《自然·化学》2025年11月封面
该论文第一作者为武汉大学高等研究院的2019届博士生张亮、中国科学技术大学博士生杜嘉辉和谢子锴博士后，通讯作者为武汉大学邓鹤翔教授、中国科学技术大学江俊教授与陈林江教授以及香港科技大学唐本忠院士。
在追求高性能新材料的科学长征中，化学家们一直梦想能像“按方抓药”般，精准设计并合成出具有特定性能的理想材料。然而，传统的“试错法”如同大海捞针，效率低、成本高，使无数潜在材料湮没在无尽的实验组合中。在此研究中，武汉大学邓鹤翔课题组领导的一个跨学科团队，针对共价有机框架（COF）荧光性能的研发，提出了一种变革性的方法，通过AI驱动的“交互式实验-学习进化”（Interactive experiment-learning evolution），将机器学习驱动的推荐、动手实验验证与迭代模型精炼向结合，形成一个动态的反馈循环，极大的加速了COF的研发。
在一个由20种胺和26种醛类化合物所构建的高达520种独特结构的COF材料库中，若采用传统的逐一筛选的方法，将产生巨大的实验负担。通过AI驱动的“交互式实验-学习进化”，研究者仅通过经3轮迭代、11次COF合成实验（约占理论组合数的2%），便成功筛选出光致发光量子产率突破41%的明星材料。这好比在爬山中快速找到攀登的最佳路径，在化学合成的探索中突破材料性能极限的同时大幅节省了宝贵资源，显著加速了从概念到应用发现的进程。在此过程中，AI系统由一个被动的预测者，进化成一个能够根据实验数据不断学习和修正的智能体。
该方法成功的核心体现在数据的融合处理策略上。通过智能科学家系统将量子力学原理、化学知识与机器学习技术整合为有机整体，形成了独特的理实迭代智能体。这种方法有效克服了纯数据驱动方案在化学空间外推时的局限性。通过引入电子态和电荷分布等理论认知，AI系统在预测未知材料特性时展现出更强的推理能力和准确性，从而实现模拟、预测与实验无缝结合的材料研发新范式。
AI“智能科学家大脑”巧用有限实验，高效“锁定”超强荧光COF材料。
本研究由中国科学院智能科学家攻坚专项、国家自然科学基金、国家重点研发计划及武汉大学创新团队项目资助。中国科学技术大学精准智能化学全国重点实验室智能科学家平台、上海同步辐射光源（SSRF）、武汉大学大型仪器共享平台和测试中心为工作开展提供了有力支撑。（中国日报湖北记者站 周荔华）
赢盈配资提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
