歡迎星標 果殼硬科技

科研X??

告別傳統“試錯法”，人工智能正在重塑材料科學。近日，北京中關村學院×中關村人工智能研究院何紀言、陳凱團隊聯合深圳北理莫斯科大學常帥團隊，利用經典AI算法建立預測模型，成功實現了紅、藍發射鈣鈦礦量子點的高效、精準合成，開發出一種端到端的人工智能驅動的預測框架。該成果以全球首個“機器人科學家”視覺形象，作為封面文章發表于國際頂級期刊《物理化學快報》（

The Journal of Physical Chemistry Letters

該研究通過機器學習算法精準預測合成條件與鈣鈦礦量子點材料（Perovskite QDs）光學性能之間的深層關聯，實現了紅光與藍光鈣鈦礦量子點的快速、高純度制備。該方法大幅度縮短了實驗優化周期——從過去的數周甚至數月，縮短至24小時內，為光電材料設計開辟了全新思路。

相關研究成果題為

AI-Driven Accelerated Discovery of High-Performance Perovskite Quantum Dots via Predictive LightGBM Modeling

The Journal of Physical Chemistry Letters

圖1：J. Phys. Chem. Lett. 2025, 16, 43, 11333–11339

01

從高維混沌到結構化特征：

構建數據驅動的基石

鈣鈦礦量子點的熱注入合成是一個涉及多變量耦合的復雜物理化學過程，反應溫度、前驅體化學計量比、配體鏈長及濃度、溶劑極性環境等諸多因素均對其最終的光學性能產生決定性影響。在傳統研究范式下，各變量間復雜的非線性相互作用往往使得實驗結果難以預測，極大依賴于研究人員的個體經驗與大量重復性試錯。

為突破這一局限，合作團隊將復雜的實驗流程轉化為計算機可處理的結構化數據，構建了一個涵蓋高質量實驗記錄與33個關鍵合成參數的標準化數據庫。如圖2所示，研究團隊通過對熱注入合成方案進行系統的特征提取工作，將原本離散的化學實驗條件映射為結構化特征，為后續的算法訓練提供了必要的數據支撐。

圖2：鈣鈦礦材料熱注入合成方案特征提取工作

02

算法驗證與范式探索：

經典模型在小樣本科學中的效能

在模型構建層面，本研究并未首先選取大參數量的深度學習架構，而是基于當前材料科學領域普遍面臨的“數據量有限、特征維度高”的現實特點，團隊選擇了經典的機器學習算法LightGBM作為探索工具，旨在驗證數據驅動模式在材料合成中的核心可行性。

如圖3所示，通過規范化的數據預處理流程以及對LightGBM模型結構的針對性訓練，研究團隊成功建立起從合成參數到光致發光峰位（PL Peak）及半峰寬（FWHM）等光學指標的映射關系。這一過程證明了，在恰當的數據處理與特征工程輔助下，經典的AI算法已經具備捕捉材料合成中復雜非線性規律的能力，也為后續AI設計和建模提供了堅實的實踐依據。

03

閉環驗證：

從算法預測到24小時內的精準制備

圖3:(a) 數據收集和預處理流程；(b) 模型訓練流程圖。

模型的實用價值最終體現于其對實驗的指導能力。如圖4的模型工作流程所示，該框架具備“端到端”的反向推薦能力：科研人員只需輸入目標發光波長（如純紅光或純藍光區間），模型即可在多維參數空間中搜索并輸出最優化的合成條件組合。

圖4：模型生成目標發光峰位下高質量合成方案流程

這一預測在隨后的實驗中得到了驗證。如圖5的實驗數據所示，在AI模型的指導下，研究團隊在不足24小時的時間內，便成功合成出PL峰位精準落在440–466nm（藍光）與627–630nm（紅光）目標區間的高質量樣品。這些樣品不僅在光譜特征上與預測高度吻合，且展現出極窄的半峰寬與優異的穩定性。這一結果強有力地表明，基于科學數據訓練的AI模型能夠大幅縮減實驗探索空間，將復雜材料研發從漫長的“隨機游走”轉變為高效的“定向導航”。

圖5：模型生成的合成方案的實際光學性能表現(a) 藍光發射鈣鈦礦；(b) 紅光發射鈣鈦礦。

04

邁向“AI科學家”：

可解釋性與未來展望

不同于僅關注預測結果的“黑箱”模型，本研究特別強調了算法的可解釋性分析，試圖讓AI學習到的規律與人類的科學認知產生共鳴。

如圖6的特征重要性分析所示，模型明確識別出反應溫度與前驅體比例是調控發光峰位與半峰寬的最關鍵參數，權重的分布情況與物理化學的基本原理高度一致。這表明，AI模型不僅是在擬合由于數據產生的數值關聯，更是在一定程度上“學習”到了材料合成背后的內在科學機制。

圖6：(a) 發光峰位（PL Peak）的特征重要性分析；(b) 半峰寬（FWHM）的特征重要性分析。

何紀言研究員指出，盡管本研究通過經典的LightGBM算法取得了顯著成效，但這并非技術的終點，而是通向未來智能化科學發現的重要一步。當前的成功驗證了數據驅動復雜材料發現的可行性，而隨著未來實驗數據的自動化產出與積累，這一基礎框架將有望融入參數規模更大、推理能力更強的AI大模型體系中。

屆時，人工智能將不再僅僅是輔助實驗的預測工具，而有望進化為具備自主設計實驗路線、自主探索科學邊界能力的“AI科學家”。本研究所提出的算法范式，為構建這一未來圖景提供了一項重要的基礎性探索。

論文題目：AI-Driven Accelerated Discovery of High-Performance Perovskite Quantum Dots via Predictive LightGBM Modeling

發表期刊：Journal of Physical Chemistry Letters

發表時間：2025年10月

作者：Zhenze Zhao, Yanan Zhu*, Gaoxu Li, Haojie Dong, Kai Chen, Yibo Zhang, Roman B. Vasiliev, Jiyan He*, Na Liu*, Shuai Chang*

DOI:10.1021/acs.jpclett.5c02902