AI for Science,大连理工大学,Advanced Science

当 AI for Science 进入新能源材料发现，一个最直接的问题就是：能不能把过去“算不起、筛不动”的巨大化学空间，真正变成可以高效搜索的材料宝库？

近日，大连理工大学团队在 Advanced Science 发表研究，提出了一套面向有机单线态裂分分子的高通量筛选框架，将图神经网络与多层级物理验证结合起来，用于加速发现下一代高效光伏材料候选分子。

这项工作瞄准的是一个非常重要的方向：单线态裂分。

所谓单线态裂分，是指一个高能单线态激子可以分裂成两个低能三线态激子。简单来说，就是一个高能光子原本只能贡献一个激子，而通过单线态裂分，有机会变成两个可利用的激子。这意味着它有潜力突破传统太阳能电池的 Shockley–Queisser 极限，为更高效率、更可持续的光伏器件提供新路径。

但问题也很现实：真正好用的单线态裂分材料并不多。

一个分子要成为理想候选，不仅要满足严格的激发态能级条件，还要具有足够强的可见光吸收、合适的三线态能量、良好的稳定性和可合成性。传统方法通常依赖 TDDFT、GW+BSE 等量子化学计算来评估激发态性质，但这些方法计算成本很高。一旦面对数百万、上千万个候选分子，逐个计算几乎不现实。

这正是 AI 能发挥作用的地方。

研究团队构建的图神经网络模型，把分子结构转化为分子图：原子是节点，原子间距离和相互作用是边，模型通过多层图卷积不断聚合局部化学环境信息，从而预测与单线态裂分密切相关的激发态性质，包括 S1、T1 和 T2 能级。

这套模型最关键的优势，是在速度和精度之间取得了非常好的平衡。模型在 FORMED 数据库上训练，能够以约 0.1 eV 的平均绝对误差预测关键激发态能量。相比已有机器学习模型，这一精度有明显提升，也为后续大规模筛选提供了可靠基础。

更重要的是，它不仅“会预测”，还真的拿去筛了。

研究团队利用训练好的 GNN 模型，对来自 OE62 和 QO2Mol 数据库的超过 2000 万个有机分子结构进行了快速预测。这个规模如果完全依赖传统 TDDFT 计算，计算量会极其庞大；而借助机器学习，团队先用模型快速缩小候选范围，再对筛出的分子进行 TDDFT 验证，从而将需要进一步量子化学计算的任务从 2000 多万级别压缩到约 5000 个，计算需求降低了几个数量级。

这就是 AI for Science 最打动人的地方：不是简单替代第一性原理计算，而是把昂贵计算用在最值得算的地方。

在这套筛选流程中，AI 负责快速探索巨大化学空间，TDDFT 负责中层验证，GW+BSE 则用于更高精度的最终确认。这样的多层级策略，既避免了纯机器学习可能带来的误判，也避免了纯量子化学筛选无法承受的计算成本。

最终，研究团队筛选出 180 个具有单线态裂分潜力的有机分子，以及超过 1000 个相关构象。这些候选分子不仅在能级条件上满足要求，还展现出多样的结构类型，包括稠环芳香体系、杂原子掺杂结构和功能化有机骨架等，为后续实验合成和器件验证提供了新的分子库。

更值得注意的是，团队没有止步于“算出一批候选”。他们进一步引入合成可及性评估，对候选分子进行实验可行性筛选。对于功能材料发现来说，这一步非常重要。因为一个分子在计算上再漂亮，如果难以合成、稳定性差、成本过高，也很难真正走向应用。

研究中，团队使用 DeepSA 模型评估分子的可合成性，并从 180 个候选分子中筛出 79 个较易合成的分子。随后，又对这些分子开展 GW+BSE 计算进行更高精度验证，最终得到一批同时兼顾单线态裂分潜力和实验可行性的优质候选。

这篇文章的亮点，也正在于它把“AI 预测”推进成了一条完整的材料发现流水线：从数据库出发，经过 GNN 快速预测、能级条件筛选、TDDFT 验证、合成可及性评估，再到 GW+BSE 高精度确认，形成了一个层层收敛、逐级提纯的智能筛选框架。

这不是单点模型的胜利，而是科研流程的升级。

过去，寻找单线态裂分材料很像在巨大化学空间里“摸索”。研究者知道大方向，但每一步都要付出高昂计算和实验成本。现在，这项工作展示了一种更高效的路径：让 AI 先在千万级分子空间里快速扫描，把真正有希望的区域标出来，再用高精度理论方法逐步验证。

这样的范式不仅适用于单线态裂分材料，也可以迁移到更多由激发态性质决定功能的分子体系中，例如荧光材料、磷光材料、三重态—三重态湮灭材料、热活化延迟荧光材料等。

从更大的角度看，这篇 Advanced Science 的意义，在于它回答了 AI for Science 在功能分子发现中的一个核心问题：面对几乎无限的化学空间，AI 能不能帮助我们更快、更准、更系统地找到真正值得实验验证的候选？

这项工作给出的答案非常清晰：可以。

它让人看到，未来的材料发现不再只是“靠经验猜结构”，也不再只是“靠算力硬扫库”，而是通过 AI 和物理计算的协同，把化学空间变成可以被高效导航的地图。

AI for Science，大连理工大学，Advanced Science。

这项工作不只是筛出了一批新的单线态裂分候选分子，更重要的是，它展示了一种面向可持续光伏材料发现的新范式：用图神经网络打开巨大分子空间，用多层级计算验证守住科学可靠性，用合成可及性评估连接实验落地。

当 AI 能够在 2000 万个分子中快速找到真正有潜力的光伏材料候选，功能材料发现的速度，正在被重新定义。

本文不含AI生成内容

欢迎留言分享你的看法