中文   |   English   |   Email Alert
图表检索
高级检索
image

机器学习辅助纳米材料设计与制备

王晓阳 ,  赵一方 ,  刘晨逸 ,  范乐颜 ,  薛德军 ,  相国磊

化学进展 ›› 2026, Vol. 38 ›› Issue (2) :181-193

PDF (4881KB)
化学进展 ›› 2026, Vol. 38 ›› Issue (2) :181-193 DOI: 10.7536/PC20250704
综述与评论
扫码查看或转发全文

机器学习辅助纳米材料设计与制备

作者信息 +

Machine Learning-Assisted Nanomaterial Design and Preparation

Author information +
文章历史 +

摘要

近年来，机器学习技术在纳米材料的结构设计、性能预测和合成优化等方面取得了显著进展，正推动该领域从传统经验驱动向数据驱动范式的转变，为纳米科学的发展带来全新的机遇。本文综述了机器学习在纳米材料设计与制备中的研究模式与最新进展，涵盖了代表性材料体系的研究案例和技术路径。全面介绍了数据获取与特征工程、监督与非监督建模、生成模型及自动化实验等核心技术，展望了未来发展的方向，包括构建标准化数据库、开发物理感知算法以及实现智能实验平台的高效协同，为纳米材料的智能化开发提供方法参考。

Abstract

Recent advances in machine learning （ML） have demonstrated remarkable potential in revolutionizing the design，property prediction，and synthesis optimization of nanomaterials，facilitating a paradigm shift from traditional empirical approaches to data-driven methodologies in nanoscience. This review examines the research frameworks and cutting-edge developments in ML-assisted nanomaterial design and fabrication，with a focus on representative material systems，including zero-dimensional quantum dots，one-dimensional nanotubes，two-dimensional materials，and metal-organic frameworks （MOFs）. Key technical aspects such as data acquisition and feature engineering，supervised and unsupervised modeling，generative algorithms，and automated experimental platforms are critically discussed. Furthermore，we highlight emerging challenges and future directions，emphasizing the need for standardized databases，physics-informed ML models，and closed-loop experimental systems to enable intelligent and efficient nanomaterial development. This work provides a comprehensive methodological reference for the integration of ML in next-generation nanomaterial research.

Contents

1 Introduction

2 Machine learning application framework

2.1 Acquisition and standardized preprocessing of high-quality data

2.2 Representation methods and feature engineering for material structures

2.3 Model construction and training

2.4 Validation and generalization assessment

2.5 Performance prediction and material screening

2.6 Inverse design and generative structural optimization

3 Representative research progress

3.1 Zero-dimensional nanomaterials

3.2 One-dimensional nanomaterials

3.3 Two-dimensional nanomaterials

3.4 Metal-organic frameworks

4 Conclusion and outlook

Graphical abstract

关键词

人工智能 / 机器学习 / 纳米材料合成 / 特征工程 / 智能合成

Key words

artificial intelligence / machine learning / nanomaterial synthesis / feature engineering / intelligent synthesis

引用本文

引用格式 ▾
王晓阳, 赵一方, 刘晨逸, 范乐颜, 薛德军, 相国磊. 机器学习辅助纳米材料设计与制备[J]. 化学进展, 2026, 38(2): 181-193 DOI:10.7536/PC20250704
Xiaoyang Wang, Yifang Zhao, Chenyi Liu, Leyan Fan, Dejun Xue, Guolei Xiang. Machine Learning-Assisted Nanomaterial Design and Preparation[J]. Progress in Chemistry, 2026, 38(2): 181-193 DOI:10.7536/PC20250704

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

纳米材料作为一类结构主导型功能材料，因其具备小尺寸效应、高比表面积、量子限域效应以及高表面活性等特征，展现出与块体材料显著不同的物理和化学性质[1-2]。这些独特性质使其在催化[3]、能源转化与存储[4-7]、生物医学成像与治疗[8-12]、电子器件[13]及环境治理[14]等诸多前沿领域获得广泛探索与应用。材料的纳米化不仅赋予其高度可调的结构与性能，也重塑了传统材料科学的研究范式，成为推动化学、能源、生物与电子等多学科交叉创新的重要驱动力。随着研究的不断推进，纳米材料的功能开发日益依赖对其多尺度结构参数的精准调控，包括尺寸、维度、形貌、表界面构型、化学状态、缺陷类型及电子结构等变量。这些结构变量共同构成的复杂且高维空间决定了纳米材料的性质与功能，通过发展合成、制备、改性及加工策略，调控纳米材料的结构参数，是充分开发纳米材料功能与应用的基础[15-18]。

传统纳米材料的合成路径分为“自上而下”与“自下而上”两种路径。前者通过球磨、刻蚀、剥离等物理方式将宏观材料细化为纳米结构，后者则基于化学反应通过成核与生长机制构筑纳米结构[19]。尽管这类经验驱动的试错方法在早期推动了纳米材料合成技术的多样化发展，但在应对结构参数的复杂耦合关系和高维变量空间方面仍存在显著不足。一方面，合成过程中溶剂组成、温度、pH、配体类型等反应参数高度耦合，使得解析单一变量对结构演化的影响极具挑战性[20-21]；另一方面，许多纳米体系中存在亚稳态中间体，常规表征手段难以追踪其动态演化过程，限制了对成核-生长机制的深入理解[22]。此外，传统人工合成方法在效率与资源利用方面也存在瓶颈，难以支撑实验参数空间的系统性探索。因此，纳米合成领域亟需引入新的技术范式，通过融合智能算法、自动化合成与高通量表征的“设计-合成-表征”体系，实现从“经验摸索”到“理性创制”的跨越[23-24]。

人工智能（Artificial intelligence，AI）与机器学习（Machine learning，ML）的迅猛发展为应对上述挑战提供了新的契机[25-30]。在纳米材料研究领域，针对纳米材料设计与合成过程中结构-性能调控机制复杂、实验效率低、开发周期长等问题，ML通过构建“数据获取-模型预测-实验验证”闭环系统，为新材料的高效开发与性能优化提供了强有力的工具[31-32]。当前，AI在纳米材料相关研究中的应用已覆盖多个方向。在性能预测方面，基于数据驱动的模型能够高效预测纳米粒子的热力学稳定性、电子结构、带隙、吸附能等关键指标，显著降低了传统模拟的计算成本[33]；在结构生成与筛选方面，生成对抗网络（Generative adversarial network，GAN）、变分自编码器（Variational autoencoder，VAE）等先进的生成模型支持基于目标性能逆向推演材料结构[34-35]，极大拓展了材料设计的可能性空间；在合成路径规划方面，自然语言处理（Natural language processing，NLP）技术与高通量实验数据结合，可实现对文献中反应条件的自动提取与合成参数的智能优化，提升材料制备的效率[36]。此外，AI驱动的高通量自动化平台与微流控技术可在短时间内完成数千次实验，通过强化学习（Reinforcement learning，RL）及贝叶斯优化（Bayesian optimization，BO）等算法动态调控反应参数，成功应用于优化量子点[37]、MOF[38-42]及催化剂[43-46]等纳米材料的合成路径。图神经网络（Graph neural network，GNN）与卷积神经网络（Convolutional neural network，CNN）则分别应用于结构-性质关系建模和光谱图像识别，实现了纳米粒子的高通量分类与性能评估。在数据层面，AI工具正被广泛用于构建结构化知识图谱与实验数据库，有力推动了领域知识的整合与标准化进程。这些融合了计算智能的合成策略，为突破传统方法的限制提供了新途径，有望实现对纳米材料结构-性能映射关系的深入解析与理性设计。本文围绕性能预测、合成优化、结构逆向设计、表征数据分析等核心应用场景，归纳代表性研究的技术路线、典型材料体系、关键算法方法与面临的挑战，为未来基于AI的智能纳米材料设计提供系统化的理论依据与方法参考[47-50]。

2 ML应用框架

传统的材料设计与合成策略高度依赖实验经验积累或第一性原理模拟，难以有效揭示材料结构-性能间的高维复杂关系。相比之下，ML基于实验与模拟数据，通过统计方法建立材料组成、结构、工艺参数与物化性能间的非线性关联模型，大幅提升新材料研发效率，推动筛选与工艺优化进程（图1）。ML在材料研究领域的应用框架通常包含以下6个模块，共同构成材料智能设计基础系统[51-53]。

2.1 高质量数据获取与标准化预处理

高质量数据是构建可靠ML模型的基石。材料研究领域可用数据来源主要包括高通量实验结果[54]、第一性原理[55-59]（如DFT）、计算数据库[60]（如Materials project、OQMD）、文献资料[61-69]（通过NLP技术自动提取），以及图像数据[70-73]（如TEM、SEM图像）与光谱数据[74-78]（XRD、Raman、XPS等）。然而，这些多源数据普遍存在异构性、非结构化与信息缺失等问题，需经过清洗、标准化处理（如单位统一、冗余剔除、缺失填充）及一致性校验等预处理，以确保后续建模的准确性与泛化能力。常用的有效数据预处理策略包括降维，如主成分分析（PCA）、特征标准化（如Z-score标准化）、离群值检测与异常值校正等。

2.2 材料结构的表示方法与特征工程

分子式、晶体结构、尺寸及缺陷等初始材料结构，通过一定的策略转化为可被算法识别的数字特征（Feature vector），该过程被称为特征工程或表示学习[79-82]。对于分子体系，常用的表示方法包括SMILES编码、分子指纹（如ECFP）、Coulomb矩阵、Bag-of-Bonds等；而对于晶体结构，常采用基于原子间距离的描述符（如SOAP）、对称函数（Behler-Parrinello）或图结构编码等。近年来，GNN因其本身非常适合处理原子间连接关系而得到广泛应用，可将分子/晶体结构转化为节点（原子）与边（键或邻接关系）构成的图，结合CGCNN、MEGNet、ALIGNN等模型能够有效捕捉复杂的结构构型特征和局部化学环境信息，显著提升了材料表征的准确性。

2.3 模型构建与训练

ML模型的选择主要取决于任务目标和学习范式，主流的算法模型分为以下4类。

监督学习[83]（Supervised learning，SL）：用于结构-性能预测（如带隙、电导率、吸附能、稳定性等），常见算法包括随机森林（RF）、支持向量机（SVM）、梯度提升树（XGBoost）和多层感知机（MLP）等。

非监督学习[84]（Unsupervised learning，UL）：适用于材料聚类、分类、图像分割与结构模式发现，常见算法包括K-means、DBSCAN、PCA等。

生成模型与强化学习[85]：应用于结构逆向设计与材料搜索，包括生成对抗网络（GAN）、变分自编码器（VAE）、深度强化学习（DRL）与马尔可夫链蒙特卡罗（MCMC）方法。

贝叶斯优化与主动学习[86]（Active learning，AL）：结合实验/模拟闭环系统进行迭代优化，广泛用于高通量实验平台的引导决策。

2.4 验证与泛化评估

为保障模型性能与可靠性，需要在模型训练过程中引入交叉验证（如K折交叉验证）、偏差-方差评估与过拟合等控制机制[87]。评价指标通常包括相关性系数（R2）、均方误差（MSE）、平均绝对误差（MAE）与均方根误差（RMSE）等。对于样本稀缺场景，需特别考虑模型的泛化能力与鲁棒性，可结合蒙特卡罗与贝叶斯神经网络等不确定性量化方法提供预测置信度。此外，模型可解释性（如SHAP、LIME）也逐渐成为研究热点，用于揭示输入变量对输出结果的影响权重，提升模型的物理合理性与科学信度。

2.5 性能预测与材料筛选

经过训练的ML模型能够高效预测海量候选材料结构的性能指标，从而实现高通量筛选[88]，效率远超传统的试错方法。例如，在筛选催化剂中，ML模型可根据吸附能预测其反应活性；在光电子材料中，模型可评估不同材料的带隙与载流子迁移率。该过程通常与高通量材料库（如AFLOWlib、Materials Cloud）结合，以提升发现新材料的效率。

2.6 逆向设计与生成式结构优化

逆向设计（Inverse design）的核心目标是根据目标性能要求，逆向推断出满足特定功能需求的最优材料结构。生成模型（如GAN、VAE、Diffusion Model）能够从隐空间中采样生成新颖结构，结合性能预测器筛选最优候选，并可用于新分子的SMILES生成、MOF晶格设计、纳米粒子构型预测等场景[89-92]。例如，研究者已利用DRL自动生成具有高催化活性的金属簇结构，并通过AI模型预测其稳定性与合成可行性，从而指导实验。

3 代表性研究进展

近十年来，ML在纳米材料领域，特别是在结构设计、性能预测与合成过程调控方面，展现出巨大的应用潜力并取得了显著的研究进展。围绕不同维度的纳米材料体系，研究人员广泛探索了ML在零维（如量子点、金属纳米团簇）、一维（如碳纳米管、纳米带）、二维（如石墨烯、TMDCs）及金属-有机框架（MOFs）等代表性材料中的应用方法，构建了多种集性能建模、合成调控与逆向设计于一体的技术路径。本文按照纳米材料的零维、一维、二维等结构体系，结合MOFs材料，论述相关材料的代表性研究成果，梳理该交叉研究领域的发展趋势与主要进展。

3.1 零维纳米材料

零维纳米材料是指在三维空间中所有维度均处于纳米尺度的颗粒体系。典型代表包括半导体量子点、金属纳米团簇、碳量子点以及富勒烯等材料。这些材料多具有特殊的发光性能、尺寸依赖性电子结构、高表面活性及生物相容性，广泛应用于光电器件、生物成像、催化、传感及药物递送等领域。

3.1.1 量子点材料

量子点（Quantum dots，QDs）是一类尺寸接近亚纳米尺度、具有显著量子限域效应的零维半导体纳米材料，其电子能级呈现离散化，表现出尺寸可调的光学和电子性质[93]。然而，量子点材料的合成因其性能强烈依赖于粒径分布、形貌均一性和表面化学环境，往往需在多参数耦合的反应体系中精准调控成核与生长过程，以实现对结构与性能的一致性控制，对合成条件的可重复性和工艺稳定性具有极高要求。

针对上述问题，Shen等[94]提出了一种基于ML与实时反馈控制的方法框架，成功实现了InAs/GaAs量子点密度的精准调控，为零维纳米材料的可控生长提供了智能化解决方案。该研究通过分子束外延（MBE）技术结合反射高能电子衍射（RHEED）视频数据（图2a），构建了包含零密度到高密度（1.4×1011 cm-2）的广泛范围。在模型设计方面，研究创新性地采用三维残差神经网络（3D ResNet-50）（图2b）处理RHEED视频序列，从中提取表面形貌变化的时空特征，有效突破了传统二维图像分析的局限。通过构建“QDs模型”与“密度模型”的双模型体系，实现了量子点形成状态（准确率达94.4%）及其密度等级（准确率达95.1%）的高精度判别，并借助模型输出进行实时温度调控，将量子点密度从1.5×1010 cm-2动态调控至3.8×108 cm-2或1.4×1011 cm-2。

该工作将深度学习与MBE工艺深度耦合，基于实时视频数据构建闭环反馈机制，有效替代传统试错法，显著提升了纳米结构合成的效率、稳定性与可重复性。未来可结合RL优化多参数协同控制，推动零维纳米材料从定向设计到智能制造的跨越发展。

碳量子点（Carbon quantum dots，CDs）是一类以碳为主要元素构成的零维纳米材料，具有良好的荧光性能、生物相容性及环境友好性，被广泛应用于生物成像、传感和防伪技术等领域[95]。然而，其合成过程多基于液相合成法，涉及多参数协同调控，且产物的发光机制与结构异质性密切相关，导致实现高量子产率、均一形貌及可控荧光特性难度极大。

针对这一挑战，Han等[96]提出了一种基于ML驱动的优化策略（图3a），实现了对碳量子点荧光量子产率的高效调控，展示了智能化合成在零维纳米材料领域的应用前景。研究者通过水热法制备了391组CDs样本，建立了涵盖反应温度（100~220 ℃）、前驱体质量（0.02~0.1 g）与乙二胺（EDA）体积（0~200 μL）等关键变量的实验数据库，并利用XGBoost回归模型探究了参数与QY的复杂非线性关系（图3b），揭示出EDA添加量和前驱体质量为最主要影响因素（图3c），两者对产率的综合贡献占比超过60%。通过模型预测的最优合成条件（图3d），成功制备出QY达39.3%的绿色荧光CDs，其尺寸为2 nm且具有单层石墨烯结构。

进一步性能测试表明，该CDs对Fe³⁺离子具有优异选择性，具有良好的线性响应范围（0~150 μmol/L）与低检测限（0.039 μmol/L）。该工作的创新性在于将ML与传统水热法结合，通过特征重要性分析和参数空间映射，突破了传统试错法在复杂多维优化中的瓶颈，为零维纳米材料的性能定向设计提供了数据驱动的新思路。未来可进一步整合化学组成特征（如掺杂类型）与合成参数，构建更全面的预测模型，推动碳基纳米材料从经验探索到智能合成的范式转变。

3.1.2 金属纳米团簇

配位型金属团簇是由金、银、铜等元素与硫醇等有机配体通过配位键自组装形成的具有稳定构型的纳米聚集体，多具有可调控的发光性质，在生物标记、催化、传感分析及发光器件等领域被广泛研究[97]。然而，其合成涉及金属核尺寸、氧化态、配体类型及配位方式等多种因素的共同影响，常面临团簇结构稳定性低、成核-生长过程控制困难以及结构表征复杂等挑战，因而在一定程度上限制了其规模化制备与结构-性能之间的精准调控。

Panapitiya等[98]提出了一种基于随机森林（Random forest，RF）算法的ML模型，用于高效预测硫醇配位金银合金纳米团簇（Au（25-x）Agx（SR）18）对一氧化碳（CO）的吸附能（图4a），为零维纳米材料在催化性能优化方面提供了低成本、可扩展的计算解决方案。该研究基于DFT计算构建了包含2000余组样本的数据集，覆盖从单银原子掺杂（x = 1）到全银取代（x = 25）的合金化区间。在特征工程中，为准确描述团簇结构对吸附性能的影响（图4b），研究者系统提取了4类结构特征，包括原子间距、键合计数、图形结构表达与原子包围体积，并通过特征筛选识别出若干关键描述符（图4c），如银原子的空间分布与H-C-H片段数量等，这些参数在揭示吸附能与局部化学环境之间的非线性关系中起到了关键作用。

通过引入二阶与三阶特征变换（如平方项与立方项）并采用两阶段特征选择机制，该模型在多个典型簇体系中均展现出良好的预测性能，在Au25、Au36和Au133纳米簇体系上分别达到了R2 = 0.78、0.65和0.75的预测精度，显著优于基于配位数的传统经验模型。该方法无需依赖结构弛豫，仅凭未优化几何结构的静态特征即可实现高效准确的吸附能预测，从而显著降低了计算成本。未来研究可进一步结合结构弛豫动力学、吸附多组分耦合效应等因素，引入GNN等更具结构感知能力的算法，以实现对纳米催化剂在真实反应条件下的更全面预测与精准设计。

Mekki-Berrada等[99]提出了一种基于BO与深度神经网络（Deep neural network，DNN）协同机制的两阶段ML框架，成功应用于银纳米颗粒（Ag-NPs）合成过程的参数优化及其光学性能的精准预测。在数据处理层面，作者设计了基于余弦相似性与光谱强度的复合损失函数，实现对光谱形状和强度的同时优化（其优化过程与结果如图5b所示），提高了拟合结果的稳定性。在特征工程方面，选用包含流速比、总流量等5个反应参数作为输入，输出全波段光谱曲线，避免了局限于单一指标，减少了信息损失。在算法实现上，BO在早期数据稀疏阶段高效探索参数空间，而DNN在数据逐渐积累后接管非线性函数建模任务，兼顾了全局搜索能力与局部拟合精度（图5a）。进一步，通过SHAP（Shapley additive explanations）分析，揭示了关键工艺参数对光学性能的贡献度，提升了模型的可解释性。最终，该框架在仅120次实验采样内成功合成了边长约65 nm的银纳米棱镜，并通过TEM图像验证了其结构精度（图5c）。该研究为光学纳米材料的逆向设计提供了一种高效且可推广的ML辅助策略，展示了数据驱动方法在合成化学中的实用性与先进性。

3.2 一维纳米材料

碳纳米管（Carbon nanotubes，CNTs）是由石墨烯片卷曲形成的一维中空管状结构，凭借其卓越的力学、电学和热学性能，在纳米电子器件、复合材料和能源技术中具有广泛应用前景[100]。然而，CNTs的性质强烈依赖于其手性结构，而手性结构的形成又受催化剂形貌、反应气氛和生长动力学等多因素协同调控，因此实现对手性的精准控制至今仍是一维碳材料合成领域的关键难题。

针对该问题，Sun等[101]开发了一种基于ML力场（Machine learning force field，MLFF）的分子动力学模拟方法，揭示了单壁碳纳米管生长过程中手性选择性起源的动力学机制，为定向合成提供了新思路。该研究聚焦于钴-碳界面体系，通过主动学习策略构建并优化ML力场，在保持第一性原理精度的前提下，实现了对催化剂—碳前驱体界面反应过程的高效跨尺度模拟。在建模策略方面，作者引入了一种基于“0-1”边缘模式的反应网络图表示方法，结合微观动力学建模，阐明了手性分布与缺陷动力学的内在关联（图6a，b）。模拟结果显示，（6，5）手性的碳纳米管在生长过程中占据显著优势，与实验中最常见的手性产物高度一致，证实了模型的有效性。为进一步阐释手性演化现象，研究团队提出了两种直径控制机制（I型和II型），并系统分析了缺陷类型与其演化行为对手性稳定性的影响。研究结果表明，近扶手椅结构中的三配位缺陷（l = 3）修复速率较快，因而更易稳定生长（图6c，d）；而近锯齿形结构由于四配位缺陷（l = 4）稳定性较差而不易维持（图6e）。

该工作从原子尺度揭示了SWCNTs手性选择的动力学起源，强调了缺陷管理在手性导向生长中的重要性。该研究充分展示了ML力场在模拟一维纳米材料生长机制中的优势，为精准设计碳基纳米材料提供了理论工具和模拟框架。

Xu等[102]报道了一种基于ML辅助的化学气相沉积（Chemical vapor deposition，CVD）合成方法（其整体设计框架如图7所示），成功实现了对一维（1D）纳米材料——少层WTe2纳米带（NRs）的可控制备与几何形貌调控，展示了ML技术在低维材料可视化设计与智能优化中的重要作用。该研究通过构建监督学习模型（XGBoost），结合255组实验数据，实现了对关键合成参数（如H2流量、Te/W源比例等）的智能优化，从而显著提高了一维纳米结构的合成效率与形貌一致性。

研究表明，H2流量对WTe2纳米带的形成起主导作用，而Te/W源比例（RTe/W）则调控纳米带的长宽比等几何特征，通过调节RTe/W（1~20），可精准控制纳米带宽度（0.7~1.9 μm）与长度（15.7~49.2 μm）。结合理论计算与实验观测，研究进一步揭示了WTe2纳米带的形成机制：H2气氛不仅促进Te的有效运输，还通过边缘选择性刻蚀机制诱导二维WTe2晶体向一维结构转化。这一从二维材料到一维纳米带的生长路径，通过气氛调控与源比调节实现对结构维度的精准引导，为理解一维纳米材料的成形机制提供了重要依据。该工作不仅为拓扑绝缘体WTe2的一维纳米结构制备提供了新方案，也展示了ML在低维纳米材料合成中的强大潜力，包括参数优化、机理解析及跨材料体系的通用性（如扩展至MoTe2等）。

3.3 二维纳米材料

二维纳米材料（2D materials）指在纵向维度上具有单层或少层原子厚度的纳米片层状结构，能表现出独特的电子、光学、力学及催化性能[103-105]。典型的二维纳米材料包括石墨烯、过渡金属硫化物（如MoS2、WS2）、六方氮化硼（h-BN）及MXene等材料。得益于其原子级厚度和表面暴露度高，这类材料普遍具有高比表面积、层间可调耦合效应及优异的载流子迁移率，在柔性电子器件、储能、电催化、生物医学等领域展现出广阔应用前景。然而，二维材料的合成与制备面临多重挑战：无论是物理剥离还是化学气相沉积方法，均难以实现大面积、均一的制备；化学合成路径中，对层数、缺陷密度、边缘构型以及相纯度的精确调控仍存在困难，制约了对其结构-性能关系的系统研究以及器件集成中的可重复性。

Dahl等[106]提出了一种结合原位光谱动力学与科学机器学习（Scientific ML）的方法框架，系统揭示了二维钙钛矿纳米片（OLA2PbBr4）的成核与生长机制，为复杂纳米体系的可控合成提供了理论与方法支撑。该研究通过高通量实验设计，用停流实验方案（图8a）采集了超过50万条原位光谱数据，覆盖逾百种反应条件（典型实验光谱如图8b所示），构建了高质量、标准化的实验数据库。在理论建模方面，团队基于量子力学计算建立了激子能量与纳米片尺寸之间的映射关系，有效解决了传统动力学方法在高维参数空间中建模能力受限的难题。在算法设计上，研究采用差分进化优化算法进行动力学参数的全局寻优，并通过外推交叉验证提升模型的泛化性能，成功预测出两条纳米片形成路径及其尺寸演化轨迹，模型拟合结果与实验数据吻合良好（图8c），其尺寸演化轨迹如图8e所示。该工作在多尺度建模方面的创新在于将宏观光谱特征与微观结构变化关联，通过尺寸依赖的光学模型（图8d）实现宏观-微观之间的耦合建模，从而提升了模型的物理可解释性。该框架可进一步引入GNN或RL等算法，拓展其对反应路径搜索与实时工艺调控的支持能力，推动从数据驱动到智能决策的材料设计闭环构建。

3.4 MOF

金属-有机框架材料（Metal-organic frameworks，MOFs）是由金属离子或金属簇与有机配体通过配位键自组装形成的多孔晶体材料，具有高比表面积、结构可设计性和多样性等特点，是功能性纳米材料中的重要类型[107-109]。MOF材料在气体存储与分离、催化、电化学储能以及生物医用等领域展现出广泛的应用潜力。

然而，MOF材料的合成与制备仍面临诸多挑战，晶体成核和生长过程对温度、pH、溶剂体系高度敏感，导致产物粒径、形貌和结晶度难以精确控制；不同有机配体与金属节点间的配位竞争易诱发多个同分异构体或拓扑结构的生成，增加了材料筛选与可重复制备的难度；此外，多数MOF在水或酸性环境下稳定性较差，限制了其实际应用。因此，发展有效的合成调控策略实现对MOF结构、尺度和组分的精准控制，进而构建稳定性高、功能可调的MOF纳米材料，已成为该领域研究的重要方向。

Goeminne 和Van Speybroeck开发了一种结合机器学习势（Machine learning potential，MLP）与过渡矩阵蒙特卡罗（Transition matrix Monte Carlo，TMMC）模拟的新方法（其与传统方法的对比如图9所示），实现了MOF材料中水吸附行为的高精度预测，为多孔纳米材料的吸附性能调控提供了新途径[110]。该研究通过主动学习策略高效训练MLP模型，仅需数千次DFT计算即可覆盖MOF-303、MOF-333和MOF-LA2-1等材料的全柔性构型空间，显著降低了计算成本。

所构建的MLP模型通过原子环境描述符准确捕获水分子与MOF骨架间的氢键相互作用，其预测误差低于0.9 meV/原子，达到接近量子化学计算的精度要求。通过比较5种DFT泛函的表现，研究确认rPBE-D3（BJ）方法对水-MOF及水-水相互作用的描述最接近CCSD（T）参考值，为模型可靠性奠定了理论基础。在训练数据生成过程中，作者通过多温度分子动力学模拟（100~500 K）对吸附过程中的局部与整体框架形变进行采样，保证了数据的全面性与代表性。在模拟策略方面，TMMC通过NPT系综的分子动力学轨迹对柔性框架进行直接采样，突破了传统刚性框架假设的局限性，首次定量重现了MOF-303实验等温线的S形特征。进一步的三维密度分布分析揭示了MOF-303中吡唑基团形成的强吸附位点是低气压下水分子的成核中心，而MOF-333通过引入疏水性FDC连接剂抑制了这种效应，从而优化了等温线台阶特性。该工作不仅解决了骨架柔性与吸附行为耦合带来的模拟难题，也为MOF类纳米材料的逆向设计和高通量筛选建立了可推广的计算框架，凸显了ML在纳米多孔材料吸附性能精准预测中的重要作用。

He等[111]报道了一种基于XGBoost算法与机器人合成平台协同的ML驱动系统，成功实现了多金属氧酸盐骨架金属有机框架材料（POMOFs）的高效发现与合成优化，为复杂多参数材料体系的智能化探索提供了新范式。该研究建立闭环实验—建模反馈流程（其合成反应空间如图10a所示），利用实时实验结果驱动模型迭代，显著提升了材料发现的效率与实验操作的可重复性。在数据处理层面，作者采用经多分类扩展的XGBoost模型，结合不确定性指导的采样策略（图10d），在不同实验轮次中动态更新模型参数，最终实现了F1分数超过0.8的晶体形成预测准确度，展示出优秀的分类性能与鲁棒性。在特征工程方面，选用包含配体类型、浓度比、反应顺序及温度等六维参数作为输入，输出晶体形成概率，并通过化学空间映射可视化多维参数的影响。在算法层面，XGBoost模型通过迭代优化和数据增强，兼顾了全局探索能力与局部预测精度，同时利用χDL（化学描述语言）标准化合成流程，保障实验的高重复性。电化学性能测试进一步表明，锌离子比例、配体类型与拓扑结构对POMOFs电子转移能力具有显著调控作用。最终该研究成功发现了9种新型POMOFs，包括一例混合配体结构，并通过单晶X射线衍射验证了其结构特征（图10c）。这项研究不仅展示了ML在高维合成空间探索中的强大建模能力，也凸显了自动化平台与标准化实验语言在推动材料合成可重复性与规模化探索中的关键作用，为MOF材料的智能化设计与性能优化提供了高度集成、可推广的研究框架。

4 结论与展望

随着数据科学与AI技术的迅猛发展，ML技术在纳米材料设计、合成与性能预测等方面展现出巨大的应用潜力，逐渐成为推动材料科学领域研究范式变革的核心驱动力。当前，基于监督学习的性能预测模型、生成模型辅助的结构逆向设计、GNN处理原子图结构，以及BO指导的实验路径搜索等方法已逐步融入纳米材料研究流程并取得初步成效。同时，以ChatGPT为代表的大语言模型也被用于文献挖掘与数据提取，支持自动构建材料知识图谱和语义关联网络。这些ML技术共同构建起“结构—性能—工艺”三元数据体系，为传统试错型研究提供了可量化、可自动化的替代路径，推动纳米材料科学迈向数据驱动与智能发现的新阶段。

尽管如此，ML在纳米材料设计、制备及性能预测中的探索还处于起步阶段，仍面临诸多挑战。首先，高质量数据严重匮乏且存在显著的异构性，多数实验数据缺乏标准格式、完整性不足且可复现性低，制约了模型的训练效果与泛化能力。其次，纳米材料结构高度复杂，异质界面、空心结构、多尺度协同效应等传统特征描述符难以充分表征，加剧了模型“黑箱”问题与可解释性不足的局限。此外，当前AI模型与实验平台之间尚未形成高效闭环机制，由于实验设备在精度控制、时序响应与高通量支持方面仍存在技术短板，导致许多AI设计方案在实验验证阶段难以落地。这些挑战共同构成了数据、算法与实验三方面的系统瓶颈，亟需构建跨学科、多平台协同的整体解决方案。

上述挑战不仅反映为技术障碍，更在实际研究中严重影响模型的可靠性与实验的可操作性。大量研究表明，实验数据的非结构化与低可复现性使得训练模型在跨体系迁移时出现显著精度衰减，尤其在MOF、多组分异质结构等体系中表现尤为突出；结构复杂性与反应条件的高维耦合使得生成模型的设计结果往往缺乏化学可行性，难以转化为可执行的合成路径；而实验平台在反馈速度、联动能力与参数控制方面的不足，也阻碍了AI辅助策略在真实合成路径中的落地。这些问题反映出ML与纳米材料实际场景之间仍存在显著“脱钩”，迫切需要打通数据、算法与实验之间的协同路径，以推动其从工具层级迈向系统层级的深度应用。

展望未来，若要在纳米材料科学中进一步发挥ML的潜力，需致力于数据体系构建、物理感知建模、实验平台集成等方面形成系统性突破。一方面，应推动建立覆盖多种纳米材料类型和合成工艺的标准化数据库，鼓励领域数据共享，以提高数据的规模、一致性与可靠性。另一方面，发展融入物理约束的可解释算法、混合建模方法以及面向小样本的预训练策略，将成为关键研究方向，尤其在多尺度机制解析与动态过程建模中具有重要意义。同时，开发具备实时反馈与自主调控能力的智能实验平台，推动AI输出转化为可执行的工艺参数，实现从计算设计到实验验证的闭环研究流程。综上所述，AI正推动纳米材料研究迈向智能化、自动化与绿色化高度融合的新时代，其持续发展将有赖于数据、算法与实验系统之间的深度融合与演进。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Sealfon R S G, Wong A K, Troyanskaya O G. Nat. Rev. Mater., 2021, 6(8): 717.

[2]

Xiouras C, Cameli F, Quilló G L, Kavousanakis M E, Vlachos D G, Stefanidis G D. Chem. Rev., 2022, 122(15): 13006.

[3]

Shu W, Li J C, Liu J X, Zhu C W, Wang T R, Feng L, Ouyang R H, Li W X. J. Am. Chem. Soc., 2024, 146(12): 8737.

[4]

Aykol M, Herring P, Anapolsky A. Nat. Rev. Mater., 2020, 5(10): 725.

[5]

Park J, Sorourifar F, Muthyala M R, Houser A M, Tuttle M, Paulson J A, Zhang S Y. J. Am. Chem. Soc., 2024, 146(45): 31230.

[6]

Wang X Y, Wang Z Y, Gao P Y, Zhang C Q, Lv J, Wang H, Liu H F, Wang Y C, Ma Y M. Nat. Commun., 2023, 14: 2924.

[7]

Qiao Y, Hu R, Gu Y, Tang F J, Luo S H, Zhang H T, Tian J H, Cheng J, Tian Z Q. Sci. China Chem., 2024, 54(3): 338.
[8]

Park W, Shin H, Choi B, Rhim W K, Na K, Han D K. Prog. Mater. Sci., 2020, 114: 100686.

[9]

Mao J H, Shen Z H, Wang J, Liu R L, Liu X F, Lan Y, Zhou M J, Jiang J Y, Shen Y, Nan C W. ACS Nano, 2025, 19(19): 18397.

[10]

Pan X Y, Zhang Z Y, Yun Y, Zhang X, Sun Y L, Zhang Z X, Wang H D, Yang X, Tan Z Y, Yang Y Q, Xie H F, Bogdanov B, Zmaga G, Senyushkin P, Wei X M, Song Y L, Su M. J. Am. Chem. Soc., 2024, 146(28): 19239.

[11]

Yan X L, Yue T T, Winkler D A, Yin Y G, Zhu H, Jiang G B, Yan B. Chem. Rev., 2023, 123(13): 8575.

[12]

Yi Z G, Gao H X, Ji X L, Yeo X Y, Chong S Y, Mao Y J, Luo B W, Shen C, Han S Y, Wang J W, Jung S, Shi P, Ren H L, Liu X G. J. Am. Chem. Soc., 2021, 143(36): 14907.

[13]

Kim J, Rhee D, Song O, Kim M, Kwon Y H, Lim D U, Kim I S, Mazánek V, Valdman L, Sofer Z, Cho J H, Kang J. Adv. Mater., 2022, 34(12): 2106110.

[14]

Willner M R, Vikesland P J. J. Nanobiotechnol., 2018, 16: 95.

[15]

Levell Z, Le J B, Yu S, Wang R Y, Ethirajan S, Rana R, Kulkarni A, Resasco J, Lu D Y, Cheng J, Liu Y Y. Chem. Rev., 2024, 124(14): 8620.

[16]

Mashhadimoslem H, Ali Abdol M, Zanganeh K, Shafeen A, AlHammadi A A, Kamkar M, Elkamel A. ACS Appl. Energy Mater., 2024, 7(19): 8596.

[17]

Omidvar M, Zhang H F, Ihalage A A, Saunders T G, Giddens H, Forrester M, Haq S, Hao Y. Nat. Commun., 2024, 15: 6554.

[18]

Szymanski N J, Nevatia P, Bartel C J, Zeng Y, Ceder G. Nat. Commun., 2023, 14: 6956.

[19]

Liu Z P, Zhou X F, Qian Y T. Adv. Mater., 2010, 22(17): 1963.

[20]

Tao H C, Wu T Y, Aldeghi M, Wu T C, Aspuru-Guzik A, Kumacheva E. Nat. Rev. Mater., 2021, 6(8): 701.

[21]

Wan K W, Wang H, Shi X H. ACS Nano, 2024, 18(19): 12367.

[22]

Butler K T, Davies D W, Cartwright H, Isayev O, Walsh A. Nature, 2018, 559(7715): 547.

[23]

Song T, Luo M, Zhang X L, Chen L J, Huang Y, Cao J Q, Zhu Q, Liu D B, Zhang B C, Zou G, Zhang G Q, Zhang F, Shang W W, Fu Y, Jiang J, Luo Y. J. Am. Chem. Soc., 2025, 147(15): 12534.

[24]

Tom G, Schmid S P, Baird S G, Cao Y, Darvish K, Hao H, Lo S, Pablo-García S, Rajaonson E M, Skreta M, Yoshikawa N, Corapi S, Akkoc G D, Strieth-Kalthoff F, Seifrid M, Aspuru-Guzik A. Chem. Rev., 2024, 124(16): 9633.

[25]

López C. Adv. Mater., 2023, 35(23): 55.
[26]

Ares N. Nat. Rev. Mater., 2021, 6(10): 870.

[27]

Fiedler L, Modine N A, Schmerler S, Vogel D J, Popoola G A, Thompson A P, Rajamanickam S, Cangi A. NPJ Comput. Mater., 2023, 9: 115.

[28]

Jiang J Q, Chen M K, Fan J A. Nat. Rev. Mater., 2021, 6(8): 679.

[29]

Pyzer-Knapp E O, Pitera J W, Staar P W J, Takeda S, Laino T, Sanders D P, Sexton J, Smith J R, Curioni A. NPJ Comput. Mater., 2022, 8: 84.

[30]

von Lilienfeld O A, Müller K R, Tkatchenko A. Nat. Rev. Chem., 2020, 4(7): 347.

[31]

Sha W X, Guo Y Q, Yuan Q, Tang S, Zhang X F, Lu S F, Guo X, Cao Y C, Cheng S J. Adv. Intell. Syst., 2020, 2(4): 1900143.

[32]

Jia Y Y, Hou X, Wang Z W, Hu X G. ACS Sustainable Chem. Eng., 2021, 9(18): 6130.

[33]

Reis M, Gusev F, Taylor N G, Chung S H, Verber M D, Lee Y Z, Isayev O, Leibfarth F A. J. Am. Chem. Soc., 2021, 143(42): 17677.

[34]

Du M H, Dai Y H, Jiang L P, Su Y M, Qi M Q, Wang C, Long L S, Zheng L S, Kong X J. J. Am. Chem. Soc., 2023, 145(42): 23188.

[35]

Mashhadimoslem H, Ali Abdol M, Karimi P, Zanganeh K, Shafeen A, Elkamel A, Kamkar M. ACS Nano, 2024, 18(35): 23842.

[36]

Wang Y, Jiang Z J, Wang D R, Lu W G, Li D. J. Am. Chem. Soc., 2024, 146(10): 6955.

[37]

Guo H Z, Lu Y H, Lei Z D, Bao H, Zhang M W, Wang Z M, Guan C T, Tang B J, Liu Z, Wang L. Nat. Commun., 2024, 15: 4843.

[38]

Kang Y, Lee W, Bae T, Han S, Jang H, Kim J. J. Am. Chem. Soc., 2025, 147(5): 3943.

[39]

Nandy A, Duan C R, Kulik H J. J. Am. Chem. Soc., 2021, 143(42): 17535.

[40]

Xie Y C, Zhang C, Hu X Q, Zhang C, Kelley S P, Atwood J L, Lin J. J. Am. Chem. Soc., 2020, 142(3): 1475.

[41]

Zhao Y M, Zhao Y J, Wang J, Wang Z. Ind. Eng. Chem. Res., 2025, 64(9): 4637.

[42]

Zheng Z L, Alawadhi A H, Chheda S, Neumann S E, Rampal N, Liu S C, Nguyen H L, Lin Y H, Rong Z C, Siepmann J I, Gagliardi L, Anandkumar A, Borgs C, Chayes J T, Yaghi O M. J. Am. Chem. Soc., 2023, 145(51): 28284.

[43]

Abed J, Heras-Domingo J, Sanspeur R Y, Luo M C, Alnoush W, Meira D M, Wang H, Wang J, Zhou J G, Zhou D J, Fatih K, Kitchin J R, Higgins D, Ulissi Z W, Sargent E H. J. Am. Chem. Soc., 2024, 146(23): 15740.

[44]

Bonke S A, Trezza G, Bergamasco L, Song H W, Rodríguez-Jiménez S, Hammarström L, Chiavazzo E, Reisner E. J. Am. Chem. Soc., 2024, 146(22): 15648.

[45]

Cui C X, Shen Y X, He J R, Fu Y, Hong X, Wang S, Jiang J, Luo Y. J. Am. Chem. Soc., 2024, 146(50): 34551.

[46]

Duan X L, Li Y, Zhao J H, Zhang M Y, Wang X P, Zhang L, Ma X X, Qu Y, Zhang P F. J. Am. Chem. Soc., 2025, 147(1): 651.

[47]

Li W, Liang T G, Lin Y C, Wu W X, Li S. Prog. Chem., 2022, 34(12): 2619.
[48]

(李炜, 梁添贵, 林元创, 吴伟雄, 李松. 化学进展, 2022, 34(12): 2619.)

[49]

Zhang X W, Hou F, Liu R C, Wang L, Li G Z. Prog. Chem., 2024, 36(4): 471.
[50]

(张香文, 侯放, 刘睿宸, 王莅, 李国柱. 化学进展, 2024, 36(4): 471.)

[51]

Liu Z D, Pan J J, Liu Q B. Prog. Chem., 2023, 35(4): 577.
[52]

(刘振东, 潘嘉杰, 刘全兵. 化学进展, 2023, 35(4): 577.)

[53]

Wang Z H, Wu Y C, Wu Z S, Zhu R R, Yang Y, Wu F H. Prog. Chem., 2023, 35(10): 1505.
[54]

(汪忠华, 吴亦初, 吴中山, 朱冉冉, 杨阳, 吴范宏. 化学进展, 2023, 35(10): 1505.)

[55]

Masson J F, Biggins J S, Ringe E. Nat. Nanotechnol., 2023, 18(2): 111.

[56]

Nandipati M, Fatoki O, Desai S. Materials, 2024, 17(7): 1621.

[57]

Pacchioni G. Nat. Rev. Mater., 2021, 6(8): 648.

[58]

Lu Z C, Ma D, Liu X J, Lu Z P. Commun. Mater., 2024, 5: 76.

[59]

Martini A, Hursán D, Timoshenko J, Rüscher M, Haase F, Rettenmaier C, Ortega E, Etxebarria A, Roldan Cuenya B. J. Am. Chem. Soc., 2023, 145(31): 17351.

[60]

Maulana A L, Han S, Shan Y, Chen P C, Lizandara-Pueyo C, Se B, De S, Schierle-Arndt K, Yang P D. J. Am. Chem. Soc., 2025, 147(12): 10268.

[61]

Mok D H, Back S. J. Am. Chem. Soc., 2024, 146(49): 33712.

[62]

Wang X J, Ye S, Hu W, Sharman E, Liu R, Liu Y, Luo Y, Jiang J. J. Am. Chem. Soc., 2020, 142(17): 7737.

[63]

Zhao X G, Yang Q, Xu Y, Liu Q Y, Li Z Y, Liu X X, Zhao Y X, He S G. J. Am. Chem. Soc., 2024, 146(18): 12485.

[64]

Swain M C, Cole J M. J. Chem. Inf. Model., 2016, 56(10): 1894.

[65]

Castro Nascimento C M, Pimentel A S. J. Chem. Inf. Model., 2023, 63(6): 1649.

[66]

Chen Y Q, Yu T, Song Z Q, Wang C Y, Luo J T, Xiao Y, Qiu H, Wang Q Q, Jin H M. J. Chem. Inf. Model., 2025, 65(7): 3370.

[67]

Ito S, Muraoka K, Nakayama A. Chem. Mater., 2025, 37(7): 2447.

[68]

Jin C, Guo S Y, Zhou S G, Guan J H. J. Chem. Inf. Model., 2025, 65(11): 5438.

[69]

Lai Z H, Dai G L, Lu Y H, Xu Y, Li J G, Zhu X. J. Phys. Chem. Lett., 2025, 16(20): 4962.

[70]

Rojas A J. J. Chem. Educ., 2024, 101(5): 1959.

[71]

Ruff E F, Engen M A, Franz J L, Mauser J F, West J K, Zemke J M O. J. Chem. Educ., 2024, 101(6): 2483.

[72]

Supundrika Subasinghe S M, Gersib S G, Mankad N P. J. Chem. Educ., 2025, 102(4): 1563.

[73]

Zhu J J, Jiang J Y, Yang M Q, Ren Z J. Environ. Sci. Technol., 2023, 57(46): 17667.

[74]

Fang C, Wang Z, Guo R X, Ding Y X, Ma S C, Sun X Y. J. Am. Chem. Soc., 2025, 147(12): 10750.

[75]

Jia H L, Wang C H, Wang C, Clancy P. ACS Nano, 2023, 17(1): 453.

[76]

LeCun Y, Boser B, Denker J S, Henderson D, Howard R E, Hubbard W, Jackel L D. Neural Comput., 1989, 1(4): 541.

[77]

Lee B, Yoon S, Lee J W, Kim Y, Chang J, Yun J, Ro J C, Lee J S, Lee J H. ACS Nano, 2020, 14(12): 17125.

[78]

O’Leary W, Grumet M, Kaiser W, Bučko T, Rupp J L M, Egger D A. J. Am. Chem. Soc., 2024, 146(39): 26863.

[79]

Riesel E A, Mackey T, Nilforoshan H, Xu M K, Badding C K, Altman A B, Leskovec J, Freedman D E. J. Am. Chem. Soc., 2024, 146(44): 30340.

[80]

Trummer D, Searles K, Algasov A, Guda S A, Soldatov A V, Ramanantoanina H, Safonova O V, Guda A A, Copéret C. J. Am. Chem. Soc., 2021, 143(19): 7326.

[81]

You Q, Sun Y, Wang F, Cheng J, Tang F J. J. Am. Chem. Soc., 2025, 147(17): 14667.

[82]

Zahrt A F, Mo Y M, Nandiwale K Y, Shprints R, Heid E, Jensen K F. J. Am. Chem. Soc., 2022, 144(49): 22599.

[83]

Liu Q Y, Shang C, Liu Z P. J. Am. Chem. Soc., 2021, 143(29): 11109.

[84]

Li X T, Chen L, Shang C, Liu Z P. J. Am. Chem. Soc., 2021, 143(16): 6281.

[85]

Kang P L, Shang C, Liu Z P. Acc. Chem. Res., 2020, 53(10): 2119.

[86]

Shi Y F, Kang P L, Shang C, Liu Z P. J. Am. Chem. Soc., 2022, 144(29): 13401.

[87]

Wang F, Ma Z B, Cheng J. J. Am. Chem. Soc., 2024, 146(21): 14566.

[88]

Jiao Z R, Hu P F, Xu H F, Wang Q S. ACS Chem. Health Saf., 2020, 27(6): 316.

[89]

Schäfer C, Fojt J, Lindgren E, Erhart P. J. Am. Chem. Soc., 2024, 146(8): 5402.

[90]

Taylor C J, Pomberger A, Felton K C, Grainger R, Barecka M, Chamberlain T W, Bourne R A, Johnson C N, Lapkin A A. Chem. Rev., 2023, 123(6): 3089.

[91]

Zheng Z L, Zhang O F, Borgs C, Chayes J T, Yaghi O M. J. Am. Chem. Soc., 2023, 145(32): 18048.

[92]

Zhou Y C, Wang Y, Peijnenburg W, Vijver M G, Balraadjsing S, Dong Z M, Zhao X L, Leung K M Y, Mortensen H M, Wang Z Y, Lynch I, Afantitis A, Mu Y S, Wu F C, Fan W H. Environ. Sci. Technol., 2024, 58(34): 3328.
[93]

Nielsen M K, Ahneman D T, Riera O, Doyle A G. J. Am. Chem. Soc., 2018, 140(15): 5004.

[94]

Johnson H M, Gusev F, Dull J T, Seo Y, Priestley R D, Isayev O, Rand B P. J. Am. Chem. Soc., 2024, 146(31): 21583.

[95]

Żurański A M, Gandhi S S, Doyle A G. J. Am. Chem. Soc., 2023, 145(14): 7898.

[96]

Chen J R T, Tan E X, Tang J X, Leong S X, Hue S K X, Pun C S, Phang I Y, Ling X Y. J. Am. Chem. Soc., 2025, 147(8): 6654.

[97]

Choi S E, Jang M, Yoon S, Yoo S, Ahn J, Kim M, Kim H G, Jung Y, Park S, Kim Y S, Kim T. J. Chem. Inf. Model., 2025, 65(6): 2748.

[98]

Shen C, Zhan W K, Xin K Y, Li M Y, Sun Z Y, Cong H, Xu C, Tang J, Wu Z F, Xu B, Wei Z M, Xue C L, Zhao C, Wang Z G. Nat. Commun., 2024, 15: 2724.

[99]

Rosales S, Medina O E, Garzon N, Zapata K, Taborda E A, Ordóñez J C, Cortés F B, Franco C A. Renew. Sustain. Energy Rev., 2025, 219: 115854.

[100]

Han Y, Tang B J, Wang L, Bao H, Lu Y H, Guan C T, Zhang L, Le M Y, Liu Z, Wu M H. ACS Nano, 2020, 14(11): 14761.

[101]

Lei Z, Wang Q M. Coord. Chem. Rev., 2019, 378: 382.

[102]

Panapitiya G, Avendaño-Franco G, Ren P J, Wen X D, Li Y W, Lewis J P. J. Am. Chem. Soc., 2018, 140(50): 17508.

[103]

Mekki-Berrada F, Ren Z K, Huang T, Wong W K, Zheng F, Xie J X, Tian I P S, Jayavelu S, Mahfoud Z, Bash D, Hippalgaonkar K, Khan S, Buonassisi T, Li Q X, Wang X N. NPJ Comput. Mater., 2021, 7: 55.

[104]

Dasbach M, Pyschik M, Lehmann V, Parey K, Rhinow D, Reinhardt H M, Hampp N A. ACS Nano, 2020, 14(7): 8181.

[105]

Sun S D, Maruyama S, Li Y. J. Am. Chem. Soc., 2025, 147(8): 7103.

[106]

Xu M Z, Tang B J, Lu Y H, Zhu C, Lu Q B, Zhu C, Zheng L, Zhang J Y, Han N N, Fang W D, Guo Y X, Di J, Song P, He Y M, Kang L X, Zhang Z Y, Zhao W, Guan C T, Wang X W, Liu Z. J. Am. Chem. Soc., 2021, 143(43): 18103.

[107]

Shi Z Y, Ge Y Y, Yun Q B, Zhang H. Acc. Chem. Res., 2022, 55(24): 3581.

[108]

Liu S, Pan X T, Liu H Y. Angew. Chem. Int. Ed., 2020, 59(15): 5890.

[109]

Liu X H, Ma T T, Pinna N, Zhang J. Adv. Funct. Mater., 2017, 27(37): 1702168.

[110]

Dahl J C, Niblett S, Cho Y, Wang X Z, Zhang Y, Chan E M, Alivisatos A P. J. Am. Chem. Soc., 2023, 145(42): 23076.

[111]

Gu Y F, Wu Y N, Li L C, Chen W, Li F T, Kitagawa S. Angew. Chem. Int. Ed., 2017, 56(49): 15658.

[112]

Mohanty B, Kumari S, Yadav P, Kanoo P, Chakraborty A. Coord. Chem. Rev., 2024, 519: 216102.

[113]

Masoomi M Y, Morsali A, Dhakshinamoorthy A, Garcia H. Angew. Chem. Int. Ed., 2019, 58(43): 15188.

[114]

Goeminne R, Van Speybroeck V. J. Am. Chem. Soc., 2025, 147: 3615.

[115]

He D L, Jiang Y B, Guillén-Soler M, Geary Z, Vizcaíno-Anaya L, Salley D, Del Carmen Gimenez-Lopez M, Long D L, Cronin L. J. Am. Chem. Soc., 2024, 146(42): 28952.

[1]
Sealfon R S G, Wong A K, Troyanskaya O G. Nat. Rev. Mater., 2021, 6(8): 717.
[2]
Xiouras C, Cameli F, Quilló G L, Kavousanakis M E, Vlachos D G, Stefanidis G D. Chem. Rev., 2022, 122(15): 13006.
[3]
Shu W, Li J C, Liu J X, Zhu C W, Wang T R, Feng L, Ouyang R H, Li W X. J. Am. Chem. Soc., 2024, 146(12): 8737.
[4]
Aykol M, Herring P, Anapolsky A. Nat. Rev. Mater., 2020, 5(10): 725.
[5]
Park J, Sorourifar F, Muthyala M R, Houser A M, Tuttle M, Paulson J A, Zhang S Y. J. Am. Chem. Soc., 2024, 146(45): 31230.
[6]
Wang X Y, Wang Z Y, Gao P Y, Zhang C Q, Lv J, Wang H, Liu H F, Wang Y C, Ma Y M. Nat. Commun., 2023, 14: 2924.
[7]
Qiao Y, Hu R, Gu Y, Tang F J, Luo S H, Zhang H T, Tian J H, Cheng J, Tian Z Q. Sci. China Chem., 2024, 54(3): 338.
[8]
Park W, Shin H, Choi B, Rhim W K, Na K, Han D K. Prog. Mater. Sci., 2020, 114: 100686.
[9]
Mao J H, Shen Z H, Wang J, Liu R L, Liu X F, Lan Y, Zhou M J, Jiang J Y, Shen Y, Nan C W. ACS Nano, 2025, 19(19): 18397.
[10]
Pan X Y, Zhang Z Y, Yun Y, Zhang X, Sun Y L, Zhang Z X, Wang H D, Yang X, Tan Z Y, Yang Y Q, Xie H F, Bogdanov B, Zmaga G, Senyushkin P, Wei X M, Song Y L, Su M. J. Am. Chem. Soc., 2024, 146(28): 19239.
[11]
Yan X L, Yue T T, Winkler D A, Yin Y G, Zhu H, Jiang G B, Yan B. Chem. Rev., 2023, 123(13): 8575.
[12]
Yi Z G, Gao H X, Ji X L, Yeo X Y, Chong S Y, Mao Y J, Luo B W, Shen C, Han S Y, Wang J W, Jung S, Shi P, Ren H L, Liu X G. J. Am. Chem. Soc., 2021, 143(36): 14907.
[13]
Kim J, Rhee D, Song O, Kim M, Kwon Y H, Lim D U, Kim I S, Mazánek V, Valdman L, Sofer Z, Cho J H, Kang J. Adv. Mater., 2022, 34(12): 2106110.
[14]
Willner M R, Vikesland P J. J. Nanobiotechnol., 2018, 16: 95.
[15]
Levell Z, Le J B, Yu S, Wang R Y, Ethirajan S, Rana R, Kulkarni A, Resasco J, Lu D Y, Cheng J, Liu Y Y. Chem. Rev., 2024, 124(14): 8620.
[16]
Mashhadimoslem H, Ali Abdol M, Zanganeh K, Shafeen A, AlHammadi A A, Kamkar M, Elkamel A. ACS Appl. Energy Mater., 2024, 7(19): 8596.
[17]
Omidvar M, Zhang H F, Ihalage A A, Saunders T G, Giddens H, Forrester M, Haq S, Hao Y. Nat. Commun., 2024, 15: 6554.
[18]
Szymanski N J, Nevatia P, Bartel C J, Zeng Y, Ceder G. Nat. Commun., 2023, 14: 6956.
[19]
Liu Z P, Zhou X F, Qian Y T. Adv. Mater., 2010, 22(17): 1963.
[20]
Tao H C, Wu T Y, Aldeghi M, Wu T C, Aspuru-Guzik A, Kumacheva E. Nat. Rev. Mater., 2021, 6(8): 701.
[21]
Wan K W, Wang H, Shi X H. ACS Nano, 2024, 18(19): 12367.
[22]
Butler K T, Davies D W, Cartwright H, Isayev O, Walsh A. Nature, 2018, 559(7715): 547.
[23]
Song T, Luo M, Zhang X L, Chen L J, Huang Y, Cao J Q, Zhu Q, Liu D B, Zhang B C, Zou G, Zhang G Q, Zhang F, Shang W W, Fu Y, Jiang J, Luo Y. J. Am. Chem. Soc., 2025, 147(15): 12534.
[24]
Tom G, Schmid S P, Baird S G, Cao Y, Darvish K, Hao H, Lo S, Pablo-García S, Rajaonson E M, Skreta M, Yoshikawa N, Corapi S, Akkoc G D, Strieth-Kalthoff F, Seifrid M, Aspuru-Guzik A. Chem. Rev., 2024, 124(16): 9633.
[25]
López C. Adv. Mater., 2023, 35(23): 55.
[26]
Ares N. Nat. Rev. Mater., 2021, 6(10): 870.
[27]
Fiedler L, Modine N A, Schmerler S, Vogel D J, Popoola G A, Thompson A P, Rajamanickam S, Cangi A. NPJ Comput. Mater., 2023, 9: 115.
[28]
Jiang J Q, Chen M K, Fan J A. Nat. Rev. Mater., 2021, 6(8): 679.
[29]
Pyzer-Knapp E O, Pitera J W, Staar P W J, Takeda S, Laino T, Sanders D P, Sexton J, Smith J R, Curioni A. NPJ Comput. Mater., 2022, 8: 84.
[30]
von Lilienfeld O A, Müller K R, Tkatchenko A. Nat. Rev. Chem., 2020, 4(7): 347.
[31]
Sha W X, Guo Y Q, Yuan Q, Tang S, Zhang X F, Lu S F, Guo X, Cao Y C, Cheng S J. Adv. Intell. Syst., 2020, 2(4): 1900143.
[32]
Jia Y Y, Hou X, Wang Z W, Hu X G. ACS Sustainable Chem. Eng., 2021, 9(18): 6130.
[33]
Reis M, Gusev F, Taylor N G, Chung S H, Verber M D, Lee Y Z, Isayev O, Leibfarth F A. J. Am. Chem. Soc., 2021, 143(42): 17677.
[34]
Du M H, Dai Y H, Jiang L P, Su Y M, Qi M Q, Wang C, Long L S, Zheng L S, Kong X J. J. Am. Chem. Soc., 2023, 145(42): 23188.
[35]
Mashhadimoslem H, Ali Abdol M, Karimi P, Zanganeh K, Shafeen A, Elkamel A, Kamkar M. ACS Nano, 2024, 18(35): 23842.
[36]
Wang Y, Jiang Z J, Wang D R, Lu W G, Li D. J. Am. Chem. Soc., 2024, 146(10): 6955.
[37]
Guo H Z, Lu Y H, Lei Z D, Bao H, Zhang M W, Wang Z M, Guan C T, Tang B J, Liu Z, Wang L. Nat. Commun., 2024, 15: 4843.
[38]
Kang Y, Lee W, Bae T, Han S, Jang H, Kim J. J. Am. Chem. Soc., 2025, 147(5): 3943.
[39]
Nandy A, Duan C R, Kulik H J. J. Am. Chem. Soc., 2021, 143(42): 17535.
[40]
Xie Y C, Zhang C, Hu X Q, Zhang C, Kelley S P, Atwood J L, Lin J. J. Am. Chem. Soc., 2020, 142(3): 1475.
[41]
Zhao Y M, Zhao Y J, Wang J, Wang Z. Ind. Eng. Chem. Res., 2025, 64(9): 4637.
[42]
Zheng Z L, Alawadhi A H, Chheda S, Neumann S E, Rampal N, Liu S C, Nguyen H L, Lin Y H, Rong Z C, Siepmann J I, Gagliardi L, Anandkumar A, Borgs C, Chayes J T, Yaghi O M. J. Am. Chem. Soc., 2023, 145(51): 28284.
[43]
Abed J, Heras-Domingo J, Sanspeur R Y, Luo M C, Alnoush W, Meira D M, Wang H, Wang J, Zhou J G, Zhou D J, Fatih K, Kitchin J R, Higgins D, Ulissi Z W, Sargent E H. J. Am. Chem. Soc., 2024, 146(23): 15740.
[44]
Bonke S A, Trezza G, Bergamasco L, Song H W, Rodríguez-Jiménez S, Hammarstr?m L, Chiavazzo E, Reisner E. J. Am. Chem. Soc., 2024, 146(22): 15648.
[45]
Cui C X, Shen Y X, He J R, Fu Y, Hong X, Wang S, Jiang J, Luo Y. J. Am. Chem. Soc., 2024, 146(50): 34551.
[46]
Duan X L, Li Y, Zhao J H, Zhang M Y, Wang X P, Zhang L, Ma X X, Qu Y, Zhang P F. J. Am. Chem. Soc., 2025, 147(1): 651.
[47]
Li W, Liang T G, Lin Y C, Wu W X, Li S. Prog. Chem., 2022, 34(12): 2619.
 
(李炜, 梁添贵, 林元创, 吴伟雄, 李松. 化学进展, 2022, 34(12): 2619.)
[48]
Zhang X W, Hou F, Liu R C, Wang L, Li G Z. Prog. Chem., 2024, 36(4): 471.
 
(张香文, 侯放, 刘睿宸, 王莅, 李国柱. 化学进展, 2024, 36(4): 471.)
[49]
Liu Z D, Pan J J, Liu Q B. Prog. Chem., 2023, 35(4): 577.
 
(刘振东, 潘嘉杰, 刘全兵. 化学进展, 2023, 35(4): 577.)
[50]
Wang Z H, Wu Y C, Wu Z S, Zhu R R, Yang Y, Wu F H. Prog. Chem., 2023, 35(10): 1505.
 
(汪忠华, 吴亦初, 吴中山, 朱冉冉, 杨阳, 吴范宏. 化学进展, 2023, 35(10): 1505.)
[51]
Masson J F, Biggins J S, Ringe E. Nat. Nanotechnol., 2023, 18(2): 111.
[52]
Nandipati M, Fatoki O, Desai S. Materials, 2024, 17(7): 1621.
[53]
Pacchioni G. Nat. Rev. Mater., 2021, 6(8): 648.
[54]
Lu Z C, Ma D, Liu X J, Lu Z P. Commun. Mater., 2024, 5: 76.
[55]
Martini A, Hursán D, Timoshenko J, Rüscher M, Haase F, Rettenmaier C, Ortega E, Etxebarria A, Roldan Cuenya B. J. Am. Chem. Soc., 2023, 145(31): 17351.
[56]
Maulana A L, Han S, Shan Y, Chen P C, Lizandara-Pueyo C, Se B, De S, Schierle-Arndt K, Yang P D. J. Am. Chem. Soc., 2025, 147(12): 10268.
[57]
Mok D H, Back S. J. Am. Chem. Soc., 2024, 146(49): 33712.
[58]
Wang X J, Ye S, Hu W, Sharman E, Liu R, Liu Y, Luo Y, Jiang J. J. Am. Chem. Soc., 2020, 142(17): 7737.
[59]
Zhao X G, Yang Q, Xu Y, Liu Q Y, Li Z Y, Liu X X, Zhao Y X, He S G. J. Am. Chem. Soc., 2024, 146(18): 12485.
[60]
Swain M C, Cole J M. J. Chem. Inf. Model., 2016, 56(10): 1894.
[61]
Castro Nascimento C M, Pimentel A S. J. Chem. Inf. Model., 2023, 63(6): 1649.
[62]
Chen Y Q, Yu T, Song Z Q, Wang C Y, Luo J T, Xiao Y, Qiu H, Wang Q Q, Jin H M. J. Chem. Inf. Model., 2025, 65(7): 3370.
[63]
Ito S, Muraoka K, Nakayama A. Chem. Mater., 2025, 37(7): 2447.
[64]
Jin C, Guo S Y, Zhou S G, Guan J H. J. Chem. Inf. Model., 2025, 65(11): 5438.
[65]
Lai Z H, Dai G L, Lu Y H, Xu Y, Li J G, Zhu X. J. Phys. Chem. Lett., 2025, 16(20): 4962.
[66]
Rojas A J. J. Chem. Educ., 2024, 101(5): 1959.
[67]
Ruff E F, Engen M A, Franz J L, Mauser J F, West J K, Zemke J M O. J. Chem. Educ., 2024, 101(6): 2483.
[68]
Supundrika Subasinghe S M, Gersib S G, Mankad N P. J. Chem. Educ., 2025, 102(4): 1563.
[69]
Zhu J J, Jiang J Y, Yang M Q, Ren Z J. Environ. Sci. Technol., 2023, 57(46): 17667.
[70]
Fang C, Wang Z, Guo R X, Ding Y X, Ma S C, Sun X Y. J. Am. Chem. Soc., 2025, 147(12): 10750.
[71]
Jia H L, Wang C H, Wang C, Clancy P. ACS Nano, 2023, 17(1): 453.
[72]
LeCun Y, Boser B, Denker J S, Henderson D, Howard R E, Hubbard W, Jackel L D. Neural Comput., 1989, 1(4): 541.
[73]
Lee B, Yoon S, Lee J W, Kim Y, Chang J, Yun J, Ro J C, Lee J S, Lee J H. ACS Nano, 2020, 14(12): 17125.
[74]
O’Leary W, Grumet M, Kaiser W, Bu?ko T, Rupp J L M, Egger D A. J. Am. Chem. Soc., 2024, 146(39): 26863.
[75]
Riesel E A, Mackey T, Nilforoshan H, Xu M K, Badding C K, Altman A B, Leskovec J, Freedman D E. J. Am. Chem. Soc., 2024, 146(44): 30340.
[76]
Trummer D, Searles K, Algasov A, Guda S A, Soldatov A V, Ramanantoanina H, Safonova O V, Guda A A, Copéret C. J. Am. Chem. Soc., 2021, 143(19): 7326.
[77]
You Q, Sun Y, Wang F, Cheng J, Tang F J. J. Am. Chem. Soc., 2025, 147(17): 14667.
[78]
Zahrt A F, Mo Y M, Nandiwale K Y, Shprints R, Heid E, Jensen K F. J. Am. Chem. Soc., 2022, 144(49): 22599.
[79]
Liu Q Y, Shang C, Liu Z P. J. Am. Chem. Soc., 2021, 143(29): 11109.
[80]
Li X T, Chen L, Shang C, Liu Z P. J. Am. Chem. Soc., 2021, 143(16): 6281.
[81]
Kang P L, Shang C, Liu Z P. Acc. Chem. Res., 2020, 53(10): 2119.
[82]
Shi Y F, Kang P L, Shang C, Liu Z P. J. Am. Chem. Soc., 2022, 144(29): 13401.
[83]
Wang F, Ma Z B, Cheng J. J. Am. Chem. Soc., 2024, 146(21): 14566.
[84]
Jiao Z R, Hu P F, Xu H F, Wang Q S. ACS Chem. Health Saf., 2020, 27(6): 316.
[85]
Sch?fer C, Fojt J, Lindgren E, Erhart P. J. Am. Chem. Soc., 2024, 146(8): 5402.
[86]
Taylor C J, Pomberger A, Felton K C, Grainger R, Barecka M, Chamberlain T W, Bourne R A, Johnson C N, Lapkin A A. Chem. Rev., 2023, 123(6): 3089.
[87]
Zheng Z L, Zhang O F, Borgs C, Chayes J T, Yaghi O M. J. Am. Chem. Soc., 2023, 145(32): 18048.
[88]
Zhou Y C, Wang Y, Peijnenburg W, Vijver M G, Balraadjsing S, Dong Z M, Zhao X L, Leung K M Y, Mortensen H M, Wang Z Y, Lynch I, Afantitis A, Mu Y S, Wu F C, Fan W H. Environ. Sci. Technol., 2024, 58(34): 3328.
[89]
Nielsen M K, Ahneman D T, Riera O, Doyle A G. J. Am. Chem. Soc., 2018, 140(15): 5004.
[90]
Johnson H M, Gusev F, Dull J T, Seo Y, Priestley R D, Isayev O, Rand B P. J. Am. Chem. Soc., 2024, 146(31): 21583.
[91]
?urański A M, Gandhi S S, Doyle A G. J. Am. Chem. Soc., 2023, 145(14): 7898.
[92]
Chen J R T, Tan E X, Tang J X, Leong S X, Hue S K X, Pun C S, Phang I Y, Ling X Y. J. Am. Chem. Soc., 2025, 147(8): 6654.
[93]
Choi S E, Jang M, Yoon S, Yoo S, Ahn J, Kim M, Kim H G, Jung Y, Park S, Kim Y S, Kim T. J. Chem. Inf. Model., 2025, 65(6): 2748.
[94]
Shen C, Zhan W K, Xin K Y, Li M Y, Sun Z Y, Cong H, Xu C, Tang J, Wu Z F, Xu B, Wei Z M, Xue C L, Zhao C, Wang Z G. Nat. Commun., 2024, 15: 2724.
[95]
Rosales S, Medina O E, Garzon N, Zapata K, Taborda E A, Ordó?ez J C, Cortés F B, Franco C A. Renew. Sustain. Energy Rev., 2025, 219: 115854.
[96]
Han Y, Tang B J, Wang L, Bao H, Lu Y H, Guan C T, Zhang L, Le M Y, Liu Z, Wu M H. ACS Nano, 2020, 14(11): 14761.
[97]
Lei Z, Wang Q M. Coord. Chem. Rev., 2019, 378: 382.
[98]
Panapitiya G, Avenda?o-Franco G, Ren P J, Wen X D, Li Y W, Lewis J P. J. Am. Chem. Soc., 2018, 140(50): 17508.
[99]
Mekki-Berrada F, Ren Z K, Huang T, Wong W K, Zheng F, Xie J X, Tian I P S, Jayavelu S, Mahfoud Z, Bash D, Hippalgaonkar K, Khan S, Buonassisi T, Li Q X, Wang X N. NPJ Comput. Mater., 2021, 7: 55.
[100]
Dasbach M, Pyschik M, Lehmann V, Parey K, Rhinow D, Reinhardt H M, Hampp N A. ACS Nano, 2020, 14(7): 8181.
[101]
Sun S D, Maruyama S, Li Y. J. Am. Chem. Soc., 2025, 147(8): 7103.
[102]
Xu M Z, Tang B J, Lu Y H, Zhu C, Lu Q B, Zhu C, Zheng L, Zhang J Y, Han N N, Fang W D, Guo Y X, Di J, Song P, He Y M, Kang L X, Zhang Z Y, Zhao W, Guan C T, Wang X W, Liu Z. J. Am. Chem. Soc., 2021, 143(43): 18103.
[103]
Shi Z Y, Ge Y Y, Yun Q B, Zhang H. Acc. Chem. Res., 2022, 55(24): 3581.
[104]
Liu S, Pan X T, Liu H Y. Angew. Chem. Int. Ed., 2020, 59(15): 5890.
[105]
Liu X H, Ma T T, Pinna N, Zhang J. Adv. Funct. Mater., 2017, 27(37): 1702168.
[106]
Dahl J C, Niblett S, Cho Y, Wang X Z, Zhang Y, Chan E M, Alivisatos A P. J. Am. Chem. Soc., 2023, 145(42): 23076.
[107]
Gu Y F, Wu Y N, Li L C, Chen W, Li F T, Kitagawa S. Angew. Chem. Int. Ed., 2017, 56(49): 15658.
[108]
Mohanty B, Kumari S, Yadav P, Kanoo P, Chakraborty A. Coord. Chem. Rev., 2024, 519: 216102.
[109]
Masoomi M Y, Morsali A, Dhakshinamoorthy A, Garcia H. Angew. Chem. Int. Ed., 2019, 58(43): 15188.
[110]
Goeminne R, Van Speybroeck V. J. Am. Chem. Soc., 2025, 147: 3615.
[111]
He D L, Jiang Y B, Guillén-Soler M, Geary Z, Vizcaíno-Anaya L, Salley D, Del Carmen Gimenez-Lopez M, Long D L, Cronin L. J. Am. Chem. Soc., 2024, 146(42): 28952.

基金资助

新材料重大专项(2025ZD0619900)

国家自然科学基金项目(22575013)

PDF (4881KB)

672

访问

0

被引

详细
导航
相关文章

/

〈 〉

地址：北京中关村北四环西路33号
邮编：100190
电话：010-82627757
传真：010-82627757
E-mail：progchem@mail.las.ac.cn
网址：http://www.progchem.ac.cn
  • 扫一扫，关注本刊公众号
    • 　
    版权所有：《化学进展》编辑部