11月13日，《自然·化学》以封面文章在线发表了武汉大学、科学技术大学、与香港科技大学的合作新成果，报道了由团队提出的化学知识驱动的材料研发新范式，通过“实验—机器学—”的循环迭代，*缩短了研发周期，*锁定具有强荧光的晶态孔材料。
  论文题为“Discovery of highly 、WWW.shzy4.com/fluorescent covalent organic works through AI-assisted iterative experiment–learning cycles”(《通过人工智能辅助的迭代实现-学循环发现强荧光共价有机框架》)。*作者为武汉大学化学与分子科学学的2020届博士生张亮、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、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“按图索骥”般，*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赋能的“交互式实验-学进化”(Interactive experiment-learning WWW.shybdj6.net/evolution)，将化学知识驱动的机器学、动手实验验证与迭代模型精炼相结合，形成动态的反馈循环，极大地加速了COF的研发。
 
  在一个由20种胺类化合物和26种醛类化合物所构建的高达520种结构的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赋能的“交互式实验-学进化”，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*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*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真实实验数据不断学和适应的实体。
 
  该方法*的核心体现在模型与数据的融合方式的创新。与传统的“数据驱动”材料研发不同的是，此工作通过将量子力学原理、化学知识与机器学技术整合为有机整体，首次将“孪生神经网络”(Siamese/WWW.shhzy3.cn neural network)用于材料的研发。分子基态和激发态电子结构等知识的引入有效克服了纯数据驱动方案在化学空间外推时的局限性，使得AI系统在预测未知材料特性时展现出前所未有的推理能力和准确性，从而实现由“数据驱动”到“知识驱动”的材料研发范式的转变。
 

AI“化学大脑”巧用有限实验，高效“锁定”强荧光COF材料
 
  从实验角度上看，研究的迭代特性表明模型需要通过持续的实验反馈不断完善，更加突出了真实实验结果在模型准确性中的核心参考作用。值得注意的是，邓鹤翔团队近期在二维COF单晶结构解析方面的突破为此项研究的顺利开展提供了重要结构数据支撑。在新的研究框架中，AI并未被定位为替代传统试错的"药"，而更像能够通过实践验证不断调整策略的关键合作伙伴。这种范式转变促进了化学家与AI之间更加协同的共生关系，将深刻改变研究问题的提出、假设验证和发现确认的方式。
  值得一提的是，量子信息学赋予的模型可解释性确保了AI在结构的过程中并非"黑箱"操作，而是建立在机理理解的基础之上。将激发态电子结构等化学知识嵌入机器学过程，使AI能够“理解”前线轨道、激发态布局等深层物化原理。通过对22个实验样本的系统分析，AI揭示了醛基单元作为“荧光团”、胺基单元倾向“猝灭”荧光的机制，并明确了HOMO/WWW.shsaic.net/-LUMO能级匹配是实现高荧光的关键。这些发现如同揭开了材料设计的“基因密码”，为理性设计提供了新方向。
  本研究由科学智能科学家攻坚专项、*自然科学基金、*重点研发计划及武汉大学创新团队项目资助。上海新跃仪表厂科学技术大学*智能化学重点实验室、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。特别感谢浙江大学钱俊教授、耿伟航同学为荧光COF材料的双光子荧光表征及生物成像提供了重要的帮助；、WWW.shyb118.com/武汉大学邓俊教授、沈安琪同学在文章绘图方面的帮助；上海上自仪转速表厂香港科技大学林荣业教授、李文朗、欧新文、阳生熠、何山博士后和矫焱天博士为荧光COF的机理研究提供了重要帮助；论文的合作者还包括武汉大学*教授和周毅、龚成涛、高艺君、闫春兴以及赵成彬同学。