热点应用丨AI+共价有机框架COF | Nature Chemistry

鉴于化学设计空间庞大和实验筛选成本高昂，开发具有目标性能的多孔晶体材料，仍然面临挑战。

近日，香港中文大学唐本忠院士领衔，武汉大学邓鹤翔联合中国科学技术大学江俊/陈林江团队，在Nature Chemistry上发文，开发了一种人工智能辅助的交互式实验 - 学习进化方法，以加速高荧光共价有机框架covalent organic frameworks (COFs)的发现。

该方法，将模型推荐、实验验证和主动学习整合到迭代优化周期中，使人工智能模型能够在过程中不断进化。来自 20 种胺类和 26 种醛类构筑单元库的 520 种可能组合中，仅需实验评估 11 种 COFs，即可识别出一种光致发光量子产率高达 41.3% 材料。

通过将电子构型和量子水平的见解嵌入学习过程，该方法超越了基于统计分析的直觉，实现了由化学知识驱动的材料发现，提高了预测的可靠性和可解释性。还揭示了这些COFs 的荧光机制，并说明了最高占据分子轨道 - 最低未占据分子轨道（HOMO-LUMO）能级匹配和激发态电荷分布的关键作用。

图 1 | 人工智能辅助的荧光 COF 发现实验 - 学习方法工作流程。

图 2 | 交互式实验 - 学习进化过程中每一代的详细信息

图 3 | PL-COFs 的实际实验数据为机器学习模型提供可靠支持，建立结构 - 性能关联。

图 4 | COFs 荧光性能与构筑单元相关性的机理见解。

图 5 | 使用 PL-COF-11 和Ald-13 标记的小鼠脑血管活体双光子荧光（2PF）成像

转载自:今日新材料

香港中文大学唐本忠院士领衔与多个研究团队合作开发了一种人工智能辅助的交互式实验 - 学习进化方法，以加速高荧光共价有机框架covalent organic frameworks (COFs)的发现。文中利用爱丁堡荧光光谱获取荧光光谱信息，爱丁堡Flouracle可通过batch功能实现批量测试，并可通过第三方api实现更开放的编辑测试。