近日，冯凌燕教授课题组报道了机器学习辅助圆偏振发光材料理性设计的最新研究成果。相关工作以“Machine-Learning-Driven G-Quartet-Based Circularly Polarized Luminescence Materials”为题在材料领域顶级期刊《Advanced Materials》上发表。上海大学材料基因组工程研究院为本论文的第一完成单位和通讯单位，课题组21级硕士生戴彦恺为第一作者，冯凌燕教授为唯一通讯作者。

圆偏振发光（CPL）材料因其在手性功能器件中的潜在应用而引起了人们的极大兴趣。其中，合成具有高不对称因子(g_lum)的CPL材料是一个巨大的挑战。鉴于材料制备中超分子组装系统的复杂性以及材料合成数据缺乏清晰度，构建实验参数和目标值之间的关系同样存在困难。

图1: 实验数据集获取和机器学习的设计框架。

在课题组前期文章基础上(Angew. Chem. Int. Ed. 2022, 61, e202211822)，本工作首次展示了基于机器学习（ML）的技术来指导合成具有高g_lum值和多种手性调节策略的碳基G-四联体CPL凝胶（图1）。采用“实验-预测-验证”的方法，建立了溶剂热法合成的材料在不同低共熔溶剂（deep eutectic solvents, DESs）中形成手性凝胶的ML分类和回归模型,建立起各种合成参数与g_lum值之间的关系。在6个机器学习模型中，决策树算法表现出了最佳性能，分类模型的精度和回归模型的决定系数分别达到0.97和0.96（图2）。

图2. 机器学习回归模型。（a）决定系数柱状图；（b）均方误差箱线图；（c）特征的相关性热图；（d）决策树算法的学习曲线；（e）训练集和测试集的散点图；（f）特征的重要性排序

通过ML和实验验证相结合，从15640个的样本中进行筛选，结果表明功能CPL凝胶的g_lum值可达0.15，是目前报道的生物基CPL材料体系中最高性能之一（图3）。此外，工作中还探索了多种手性调控策略。

图3. 预测和验证结果。（a）两个最重要特征组成的二元热图；（b）预测结果散点图；（c）手性螺旋结构的SEM图像；（d）实验验证的CD光谱；（e）实验验证的CPL谱；（f）实验验证的最大/最小g_lum值

研究表明，机器学习可以极大地优化手性纳米材料的设计和性能提升。相关工作是在材料基因组研究理念下，变革传统的“试错法”材料研发模式的一次探索，可以显著提高新型手性功能材料的研发效率，加速新材料的设计和应用。

上述工作得到了国家自然科学基金-面上项目、上海市东方学者跟踪计划和上海市青年科技启明星计划的支持。

论文链接：https://onlinelibrary.wiley.com/doi/10.1002/adma.202310455