分子工程用于开发先进界面材料方面潜力巨大，然而有机分子的结构多样性与功能复杂性使得针对特定界面性质最优结构设计变得极具挑战。此外，传统的“试错式”分子发现及设计方法效率低下，且适用性难以高通量扩展。

近日，中国科学院深圳先进技术研究院材料人工智能研究中心喻学锋研究员团队在AI驱动界面分子工程设计研究方面取得新突破，在化学学术期刊Angewandte Chemie International Edition上发表了题为“AI-Driven Discovery and Molecular Engineering Design for Enhancing Interface Stability of Black Phosphorus”的研究论文。该研究通过融合大语言模型与图神经网络（GNN）机器学习，成功开发了一种结合知识推理与性质预测的分子工程智能设计工作流（图1），以加速界面体系功能设计。研发团队选取了一种在电子器件与能源化学领域具有极大应用潜力、但在常温条件下稳定性较差的典型二维材料——黑磷（BP）作为模型体系，以展示该方法的有效性。相比于传统经验范式往往只能找到单一分子用于黑磷表面稳定性调控，本方法快速预测和发现多种新型的界面修饰分子材料，大幅缩短了研发周期。基于该设计框架，研究团队创新提出分子“功能头基-连接基-尾基”协同调控策略，颠覆并突破了传统亲水分子不适用于BP保护的认知，为材料的界面分子设计提供了新见解。

研究团队提出“AI驱动的材料界面分子工程设计”新范式，工作亮点如下

1. 知识推荐：利用大模型分析286篇与磷相关的文献，大模型快速推荐出了与BP表面具有强亲和力的功能基团（-SiR₃、-PR₂、-SH、=NH等）。
2. 数据驱动与分子智能筛选：通过图神经网络模型对1.17亿PubChem分子库进行高通量预测和筛选（图2），快速获得662种候选分子。除了实验已发现的头基含N、O基团的分子外，此AI驱动框架还批量发现了其他含Si、S、P头基类型的候选分子材料。
3. 合成方案自动生成与实验验证：大模型对285篇黑磷表面修饰的实验文献进行了深度分析和推理，根据机器学习预测的前三名候选分子（P₁、Si₁、S₁）的SMILES，自动生成了详细的实验合成方案，对前三名候选分子进行合成与测试，其修饰的BP纳米片在空气中稳定性非常优异。
4. 协同设计突破：基于该框架，团队提出了分子“功能头基-连接基-尾基”协同调控策略，突破传统亲水分子不适用于BP保护的认知（图3）。实验证实，含亲水尾基的分子通过头基强吸附与连接基空间位阻的协同作用，仍可实现高度稳定性，为化学界面设计开辟新路径。

此外，该研究工作所提出的AI驱动的分子工程设计策略可推广至钙钛矿、MXene等多种易氧化材料的界面设计。通过结构模块化策略，该平台可适配不同化学体系需求，加速功能分子发现，推动新材料研发从“经验驱动”向“AI驱动”深度转型。

中国科学院深圳先进技术研究院喻学锋研究员、彭超副研究员及王佳宏副研究员为论文共同通讯作者，彭超副研究员、王冰博士及吴列博士为论文共同第一作者。研究获国家重点研发计划、国家自然科学基金、广东省自然科学基金、深圳市科技计划等项目支持。

论文链接

图1 | AI驱动的材料界面分子工程智能设计示意图。

图2 | 机器学习与高通量筛选流程概览。

图3 | 基于分子工程提高黑磷界面稳定性的协同调控策略。