作者 | 清华大学王笑楠
编辑 | 凯霞
在当今科技飞速发展的时期，新材料的研究与开拓已成为推动科学进步和工业革命的关键力量。从能源存储到信息技能，再到生物医药，创新材料的设计、合成及其功能表征是实现这些领域打破的基石。
随着人工智能（AI）技能的不断进步，其在新材料研究中的集成运用已逐步开启一个全新的研究范式，成为超越传统研发模式的新质生产力，特殊是在材料的设计、合成和表征过程中，AI 的助力大大提高了研究效率和精度。
「17 岁上清华，27 岁做博导，30 岁回归清华，90 后科研女神，入选 2023 环球学者终生学术影响力榜…… 」这是清华大学王笑楠老师的传奇履历。
她带领的团队，致力于 AI 加速材料开拓运用，催化剂设计，新能源、低碳技能等交叉学科研究。
近年来环绕 AI+能源化工环境新材料等交叉学科，开展了前沿的新能源、低碳技能和系统的研究，从多尺度系统集成的角度提高能源和资源系统的综合效率和经济性，助力双碳目标。
其团队在 AI 加速材料研究运用，新能源系统，化工智能模型等领域有一系列高被引论文和算法软件产出。
在大模型爆炸的 AI 时期，「化人为料 GPT」正进行中，王笑楠表示，根本模型研究是一个长期主义的事情，「让大模型落地，深入到科学与工程领域，找到适当的运用工具、落地场景，大小模型领悟并进的时期已经到来。」
嵌入领域知识的提示工程促进 LLM 在科学领域运用
王笑楠团队长期重视天生式 AI，尤其是大措辞模型（large language model, LLM）在科学领域的垂直运用。
目前，在多个通用领域，大措辞模型已经证明了其在处理和剖析大规模数据集方面的巨大潜力。然而，这些模型在面对特定垂直领域的繁芜性时，每每须要更风雅的调度来达到最佳效果。
提示工程（prompt engineering）正是指通过精心设计的提示或勾引语句来优化和辅导大型措辞模型的输出，使其更好地适应和处理特定领域的问题。
近日，王笑楠团队开拓了一种通过在大措辞模型中整合化学领域知识来增强其在科学领域中的表现的提示工程方法。
图示：嵌入化学领域知识的提示工程算法流程图。
该研究首先创建了一个基准的提示工程测试数据集，包括小分子的繁芜物理化学属性、药物可用性以及酶和晶体材料的功能属性，以突出其在生物学和化学领域的干系性和运用性。同时，结合多少提示工程的启示式算法（heuristics）提出了一种嵌入领域知识的提示工程方法（domain-knowledge embedded prompt engineering method），该方法在多个度量标准上优于传统的提示工程策略。
此外，团队还通过对繁芜材料（如 MacMillan 催化剂、紫杉醇和锂钴氧化物）的案例研究，展示了该方法的有效性，强调了配备特定领域提示工程的大措辞模型作为科学创造和创新的强大工具的潜力。
干系研究以「Integrating Chemistry Knowledge in Large Language Models via Prompt Engineering」为题，于 2024 年 4 月 22 日发布在预印平台 arXiv 上。
论文链接：https://arxiv.org/pdf/2404.14467
智能原子机器人探针技能，可在原子精度上高效制造量子材料
近日，王笑楠团队与新加坡国立大学吕炯、Chun Zhang 副教授共同开拓的智能原子机器人探针技能，供应了这一范式变革的范例示范。通过将 AI 与探针化学技能相结合，实现了对碳基量子材料的原子级精确合成。
图示：可在单分子水平精确制造有机量子物质的原子机器人探针。
该事情提出了化学家直觉式原子机器人探针（CARP）的观点系统，以在单分子水平上制备和表征开壳磁性纳米石墨烯，实现其 π 电子拓扑和自旋构型的精确构建。
CARP 由一系列经由表面化学家履历和知识演习的深度神经网络驱动，可实现分子材料自主合成，并有效地从实验演习数据库中获取有代价的隐蔽信息，为全面理解探针化学反应机制的理论仿照供应主要支持。
干系研究以《Intelligent synthesis of magnetic nanographenes via chemist-intuited atomic robotic probe》为题，于 2024 年 2 月 29 日揭橥在《Nature Synthesis》上。
论文链接：https://www.nature.com/articles/s44160-024-00488-7
德国马尔堡大学 Michael Gottfried 教授同期撰文《Single-molecule chemistry with a smart robot》，高度评价了此事情为 AI 和纳米科技结合的引领性实例。
「Stands out as a pioneering example, showcasing remarkable advancements in controlling molecules at the limit of single chemical bonds.」
这项研究不仅战胜了传统表面赞助合成中反应选择性差、生产效率低等问题，而且通过深度神经网络转化繁芜的化学过程，使得单分子操作的合成精度达到前所未有的水平。
主动学习与第一性事理打算结合，用于催化剂筛选设计
近年来，王笑楠团队建立了一系列面向化人为料设计合成与表征评价的机器学习框架，基于主动学习策略构建了高通量催化剂筛选模型，并同步优化过程参数，实现多尺度的精准设计优化。针对从原子级到宏不雅观级的繁芜数据和知识领悟难的问题，建立多尺度数字孪生与低碳智联系统。
除上述在根本研究领域的打破，还发展了一系列面向国民经济主沙场的主要运用。
在低碳炔烃选择性加氢催化剂设计方面，与华东理工大学段学志教授团队互助，实现了原子尺度上 Ni 活性位点构造的精准调控，不仅为目标反应路径供应了定向调控策略，而且推动了非贵金属催化剂在石油化工领域的广泛运用。
研究团队提出了基于贝叶斯优化的主动学习框架与 DFT 打算相结合的研究方法，以乙烯脱附和其进一步加氢的能垒差值作为选择性描述符，构建了自动化催化剂高通量筛选的事情流程，用于预测乙炔选择性加氢的高性能 Ni 基金属间化合物。
随后，从 3000 多个候选 Ni 基金属间化合物中快速筛选出 15 个高性能 Ni 基金属间化合物作为潜在的炔烃加氢催化剂，利用 DFT 打算进一步验证了 ML 模型的预测精度，终极确定了所推举的 NiIn 催化剂为最优候选催化剂供实验进一步验证。
催化反应性能评价表明：NiIn 金属间化合物催化剂在乙炔和丙炔转化率为 100% 时，乙烯和丙烯选择性高达 97.0%，明显高于参比催化剂，展现了人工智能在催化剂设计中的巨大潜力。
干系成果以「Atomic Design of Alkyne Semihydrogenation Catalysts via Active Learning」为题在线揭橥在《美国化学会志》（Journal of the American Chemical Society）上，所创造的一系列催化剂也正在工业放大转化中。
图示：基于贝叶斯优化的主动学习框架与DFT打算相结合的催化剂筛选设计。
论文链接：https://pubs.acs.org/doi/full/10.1021/jacs.3c14495
AI+碳中和：加速高性能生物炭开拓，提高 CO₂ 捕集能力
王笑楠团队长期关注 AI+碳中和的领域，在利用生物质废弃物衍生的生物炭进行二氧化碳捕获的研究方面，与多国互助者共同创建了环太平洋大学同盟可持续废弃物管理项目，发展低碳、零碳、负碳技能缓解景象变革，同时促进可持续废物管理。
针对传统生物炭合成过程既耗时又费力且精度较差的寻衅，王笑楠团队设计的一种定制化主动学习策略，可辅导和加速生物炭的合成，并提高其吸附二氧化碳的能力。
该框架通过学习实验数据，推举最佳的合成参数，通过实验验证学习效果，并迭代利用实验数据进行后续模型演习和重新验证，从而建立完全闭环。
研究团队终极合成了 16 个具有特定性能的工程生物炭样本，终极轮次的二氧化碳接管量险些翻倍。该研究展示了一个数据驱动的事情流程，加速了高性能工程生物炭材料的开拓。
干系成果以「Active Learning-Based Guided Synthesis of Engineered Biochar for CO₂ Capture」 为题揭橥在环境领域威信期刊《环境科学与技能》（Environmental Science & Technology）上，并当选为封面论文。
图示：数据驱动的 CO₂ 捕集材料闭环开拓流程。
论文链接：https://pubs.acs.org/doi/full/10.1021/acs.est.3c10922
为科学探索开辟新路子，为实际运用供应有力支撑
该系列研究事情得到了王笑楠老师担当项目卖力人、首席科学家的「新一代人工智能国家科技重大专项」等项目的支持。
干系成果不仅为科学探索开辟了新路子，也为实际运用供应了有力支撑，尤其是在促进可持续发展和应对环球性问题方面显示出极大的潜力。
随着 AI 技能的快速进步，其在智能化学工程、新型材料开拓、新能源技能等领域的运用前景十分广阔，将催生更多的创新成果。