在當今科技飛速發展的時代，新材料的研究與開發已成為推動科學進步和工業革命的關鍵力量。從能源儲存到資訊科技，再到生物醫藥，創新材料的設計、合成及其功能表徵是實現這些領域突破的基石。
隨著人工智慧（AI）技術的不斷進步，其在新材料研究中的整合應用已逐步開啟一個全新的研究正規化，成為超越傳統研發模式的新質生產力，特別是在材料的設計、合成和表徵過程中，AI 的助力大大提高了研究效率和精度。
「17 歲上清華，27 歲做博導，30 歲迴歸清華，90 後科研女神，入選 2023 全球學者終身學術影響力榜…… 」這是清華大學王笑楠老師的傳奇履歷。
她帶領的團隊，致力於 AI 加速材料開發應用，催化劑設計，新能源、低碳技術等交叉學科研究。
近年來圍繞 AI+能源化工環境新材料等交叉學科，開展了前沿的新能源、低碳技術和系統的研究，從多尺度系統整合的角度提高能源和資源系統的綜合效率和經濟性，助力雙碳目標。
其團隊在 AI 加速材料研究應用，新能源系統，化工智慧模型等領域有一系列高被引論文和演算法軟體產出。
在大模型爆炸的 AI 時代，「化工材料 GPT」正進行中，王笑楠表示，基礎模型研究是一個長期主義的事情，「讓大模型落地，深入到科學與工程領域，找到適當的應用物件、落地場景，大小模型融合並進的時代已經到來。」
嵌入領域知識的提示工程促進 LLM 在科學領域應用
王笑楠團隊長期重視生成式 AI，尤其是大語言模型（large language model, LLM）在科學領域的垂直應用。
目前，在多個通用領域，大語言模型已經證明了其在處理和分析大規模資料集方面的巨大潛力。然而，這些模型在面對特定垂直領域的複雜性時，往往需要更精細的調整來達到最佳效果。
提示工程（prompt engineering）正是指透過精心設計的提示或引導語句來最佳化和指導大型語言模型的輸出，使其更好地適應和處理特定領域的問題。
近日，王笑楠團隊開發了一種透過在大語言模型中整合化學領域知識來增強其在科學領域中的表現的提示工程方法。
該研究首先建立了一個基準的提示工程測試資料集，包括小分子的複雜物理化學屬性、藥物可用性以及酶和晶體材料的功能屬性，以突出其在生物學和化學領域的相關性和應用性。同時，結合若干提示工程的啟發式演算法（heuristics）提出了一種嵌入領域知識的提示工程方法（domain-knowledge embedded prompt engineering method），該方法在多個度量標準上優於傳統的提示工程策略。
此外，團隊還透過對複雜材料（如 MacMillan 催化劑、紫杉醇和鋰鈷氧化物）的案例研究，展示了該方法的有效性，強調了配備特定領域提示工程的大語言模型作為科學發現和創新的強大工具的潛力。
相關研究以「Integrating Chemistry Knowledge in Large Language Models via Prompt Engineering」為題，於 2024 年 4 月 22 日釋出在預印平臺 arXiv 上。
智慧原子機器人探針技術，可在原子精度上高效製造量子材料
近日，王笑楠團隊與新加坡國立大學呂炯、Chun Zhang 副教授共同開發的智慧原子機器人探針技術，提供了這一正規化變革的典型示範。透過將 AI 與探針化學技術相結合，實現了對碳基量子材料的原子級精確合成。
該工作提出了化學家直覺式原子機器人探針（CARP）的概念系統，以在單分子水平上製備和表徵開殼磁性奈米石墨烯，實現其 π 電子拓撲和自旋構型的精確構建。
CARP 由一系列經過表面化學家經驗和知識訓練的深度神經網路驅動，可實現分子材料自主合成，並有效地從實驗訓練資料庫中獲取有價值的隱藏資訊，為全面理解探針化學反應機制的理論模擬提供重要支援。
相關研究以《Intelligent synthesis of magnetic nanographenes via chemist-intuited atomic robotic probe》為題，於 2024 年 2 月 29 日發表在《Nature Synthesis》上。
德國馬爾堡大學 Michael Gottfried 教授同期撰文《Single-molecule chemistry with a smart robot》，高度評價了此工作為 AI 和奈米科技結合的引領性例項。
「Stands out as a pioneering example, showcasing remarkable advancements in controlling molecules at the limit of single chemical bonds.」
這項研究不僅克服了傳統表面輔助合成中反應選擇性差、生產效率低等問題，而且透過深度神經網路轉化複雜的化學過程，使得單分子操作的合成精度達到前所未有的水平。
主動學習與第一性原理計算結合，用於催化劑篩選設計
近年來，王笑楠團隊建立了一系列面向化工材料設計合成與表徵評價的機器學習框架，基於主動學習策略構建了高通量催化劑篩選模型，並同步最佳化過程引數，實現多尺度的精準設計最佳化。針對從原子級到宏觀級的複雜資料和知識融合難的問題，建立多尺度數字孿生與低碳智聯絡統。
除上述在基礎研究領域的突破，還發展了一系列面向國民經濟主戰場的重要應用。
在低碳炔烴選擇性加氫催化劑設計方面，與華東理工大學段學志教授團隊合作，實現了原子尺度上 Ni 活性位點結構的精準調控，不僅為目標反應路徑提供了定向調控策略，而且推動了非貴金屬催化劑在石油化工領域的廣泛應用。
研究團隊提出了基於貝葉斯最佳化的主動學習框架與 DFT 計算相結合的研究方法，以乙烯脫附和其進一步加氫的能壘差值作為選擇性描述符，構建了自動化催化劑高通量篩選的工作流程，用於預測乙炔選擇性加氫的高效能 Ni 基金屬間化合物。
隨後，從 3000 多個候選 Ni 基金屬間化合物中快速篩選出 15 個高效能 Ni 基金屬間化合物作為潛在的炔烴加氫催化劑，利用 DFT 計算進一步驗證了 ML 模型的預測精度，最終確定了所推薦的 NiIn 催化劑為最優候選催化劑供實驗進一步驗證。
催化反應效能評價表明：NiIn 金屬間化合物催化劑在乙炔和丙炔轉化率為 100% 時，乙烯和丙烯選擇性高達 97.0%，明顯高於參比催化劑，展現了人工智慧在催化劑設計中的巨大潛力。
相關成果以「Atomic Design of Alkyne Semihydrogenation Catalysts via Active Learning」為題線上發表在《美國化學會志》（Journal of the American Chemical Society）上，所發現的一系列催化劑也正在工業放大轉化中。
論文連結：https://pubs.acs.org/doi/full/10.1021/jacs.3c14495
AI+碳中和：加速高效能生物炭開發，提高 CO₂ 捕集能力
王笑楠團隊長期關注 AI+碳中和的領域，在利用生物質廢棄物衍生的生物炭進行二氧化碳捕獲的研究方面，與多國合作者共同建立了環太平洋大學聯盟可持續廢棄物治理專案，發展低碳、零碳、負碳技術緩解氣候變化，同時促進可持續廢物管理。
針對傳統生物炭合成過程既耗時又費力且精度較差的挑戰，王笑楠團隊設計的一種定製化主動學習策略，可指導和加速生物炭的合成，並提高其吸附二氧化碳的能力。
該框架透過學習實驗資料，推薦最佳的合成引數，透過實驗驗證學習效果，並迭代利用實驗資料進行後續模型訓練和重新驗證，從而建立完整閉環。
研究團隊最終合成了 16 個具有特定效能的工程生物炭樣本，最終輪次的二氧化碳吸收量幾乎翻倍。該研究展示了一個資料驅動的工作流程，加速了高效能工程生物炭材料的開發。
相關成果以「Active Learning-Based Guided Synthesis of Engineered Biochar for CO₂ Capture」 為題發表在環境領域權威期刊《環境科學與技術》（Environmental Science & Technology）上，並被選為封面論文。
論文連結：https://pubs.acs.org/doi/full/10.1021/acs.est.3c10922
為科學探索開闢新途徑，為實際應用提供有力支撐
該系列研究工作得到了王笑楠老師擔任專案負責人、首席科學家的「新一代人工智慧國家科技重大專項」等專案的支援。
相關成果不僅為科學探索開闢了新途徑，也為實際應用提供了有力支撐，尤其是在促進可持續發展和應對全球性問題方面顯示出極大的潛力。
隨著 AI 技術的快速進步，其在智慧化學工程、新型材料開發、新能源技術等領域的應用前景十分廣闊，將催生更多的創新成果。