近日，材料基因組工程研究院馮淩燕教授團隊報道了機器學習輔助圓偏振發光材料理性設計的最新研究成果。相關工作以“Machine-Learning-Driven G-Quartet-Based Circularly Polarized Luminescence Materials”為題在材料領域頂級期刊《Advanced Materials》上發表。万事平台材料基因組工程研究院為本論文的第一完成單位和通訊單位👆🏿，21級碩士生戴彥愷為第一作者，馮淩燕教授為唯一通訊作者。

圓偏振發光（CPL）材料因其在手性功能器件中的潛在應用而引起了人們的極大興趣。其中🧑🏽‍💻，合成具有高不對稱因子(g_lum)的CPL材料是一個巨大的挑戰🚴‍♀️。鑒於材料製備中超分子組裝系統的復雜性以及材料合成數據缺乏清晰度🤎，構建實驗參數和目標值之間的關系同樣存在困難。

圖1:實驗數據集獲取和機器學習的設計框架🧝🏻⇢。

在課題組前期文章基礎上(Angew. Chem. Int. Ed.2022, 61, e202211822)，本工作首次展示了基於機器學習（ML）的技術來指導合成具有高g_lum值和多種手性調節策略的G-四聯體CPL凝膠（圖1）⛓️‍💥👨🏼‍🔧。采用“實驗-預測-驗證”的方法🙋🏿✯，建立了溶劑熱法合成的G-四聯體在不同低共熔溶劑（deep eutectic solvents, DESs）中形成手性凝膠的ML分類和回歸模型,建立起各種合成參數與g_lum值之間的關系。在6個機器學習模型中，決策樹算法表現出了最佳性能，分類模型的精度和回歸模型的決定系數分別達到0.97和0.96（圖2）🔷。

圖2.機器學習回歸模型🧑🏿‍🚒。（a）決定系數柱狀圖；（b）均方誤差箱線圖；（c）特征的相關性熱圖；

（d）決策樹算法的學習曲線；（e）訓練集和測試集的散點圖🥩；（f）特征的重要性排序😬。

通過ML和實驗驗證相結合，從15640個的樣本中進行篩選，結果表明CPL凝膠的g_lum值可達0.15，是目前報道的生物基CPL材料體系中最高性能之一（圖3）。此外🤹，工作中還探索了多種手性調控策略。

圖3.預測和驗證結果。（a）兩個最重要特征組成的二元熱圖🤚🏻；（b）預測結果散點圖；（c）手性螺旋結構的SEM圖像；

（d）實驗驗證的CD光譜🙍🏽；（e）實驗驗證的CPL譜🥛🟥；（f）實驗驗證的最大/最小g_lum值。

研究表明，機器學習可以極大地優化手性納米材料的設計和性能提升。相關工作是在材料基因組研究理念下，變革傳統的“試錯法”材料研發模式的一次探索🫷🏿📯，可以顯著提高新型手性功能材料的研發效率，加速新材料的設計和應用。

上述工作得到了國家自然科學基金-面上項目、上海市東方學者跟蹤計劃和上海市青年科技啟明星計劃的支持🧘🏼‍♀️。

論文鏈接✋🏼🔊：https://onlinelibrary.wiley.com/doi/10.1002/adma.202310455