【导读】 告别传统“试错法”，人工智能正在重塑材料科学。近日，北京中关村学院、中关村人工智能研究院陈凯团队深圳北理莫斯科大学常帅团队，利用经典 AI 算法建立预测模型，成功实现了红、蓝发射钙钛矿量子点的高效、精准合成该成果以发表于国际顶级期刊《物理化学快报》（The Journal of Physical Chemistry Letters）。
该研究通过机器学习算法精准预测合成条件与钙钛矿量子点材料（Perovskite QDs）光学性能之间的深层关联，实现了红光与蓝光钙钛矿量子点的快速、高纯度制备。该方法大幅度缩短了实验优化周期——从过去的数周甚至数月，缩短至24小时，为光电材料设计开辟了全新思路。
相关研究成果题为AI-Driven Accelerated Discovery of High-Performance Perovskite Quantum Dots via Predictive LightGBM Modeling，发表于美国化学会旗下知名期刊 The Journal of Physical Chemistry Letters 并入选封面文章。北京中关村学院、中关村人工智能研究院何纪言研究员为论文共同通讯作者。
图1：J. Phys. Chem. Lett. 2025, 16, 43, 11333–11339
从高维混沌到结构化特征：构建数据驱动的基石
钙钛矿量子点的热注入合成是一个涉及多变量耦合的复杂物理化学过程，反应温度、前驱体化学计量比、配体链长及浓度、溶剂极性环境等诸多因素均对其最终的光学性能产生决定性影响。在传统研究范式下，各变量间复杂的非线性相互作用往往使得实验结果难以预测，极大依赖于研究人员的个体经验与大量重复性试错。
为突破这一局限，合作团队将复杂的实验流程转化为计算机可处理的结构化数据，构建了一个涵盖高质量实验记录与33个关键合成参数的标准化数据库。如图2所示，研究团队通过对热注入合成方案进行系统的特征提取工作，将原本离散的化学实验条件映射为特征，为后续的算法训练提供了必要的数据支撑。
图2：钙钛矿材料热注入合成方案特征提取工作
算法验证与范式探索：经典模型在小样本科学中的效能
在模型构建层面，本研究并未的深度学习架构，而是基于当前材料科学领域普遍面临的“数据量有限、特征维度高”的现实特点，团队选择了经典的机器学习算法LightGBM作为探索工具，旨在验证数据驱动模式在材料合成中的核心可行性。
如图3所示，通过规范化的数据预处理流程以及对LightGBM模型结构的针对性训练，研究团队成功建立起从合成参数到光致发光峰位（PL Peak）及半峰宽（FWHM）等光学指标的映射关系。这一过程证明了，在恰当的数据处理与特征工程辅助下，经典的AI算法具备捕捉材料合成中复杂非线性规律的能力，为后续AI提供了坚实的实践依据。
闭环验证：从算法预测到24小时内的精准制备
图3:(a) 数据收集和预处理流程；(b) 模型训练流程图。
模型的实用价值最终体现于其对实验的指导能力。如图4的模型工作流程所示，该框架具备“端到端”的反向推荐能力：科研人员只需输入目标发光波长（如纯红光或纯蓝光区间），模型即可在多维参数空间中搜索并输出最优化的合成条件组合。
图4：模型生成目标发光峰位下高质量合成方案流程
这一预测在随后的实验中得到了。如图5的实验数据所示，在AI模型的指导下，研究团队在不足24小时的时间内，便成功合成出PL峰位精准落在440–466 nm（蓝光）与627–630 nm（红光）目标区间的高质量样品。这些样品不仅在光谱特征上与预测高度吻合，且展现出极窄的半峰宽与优异的稳定性。这一结果强有力地表明，基于数据训练的AI模型能够大幅缩减实验探索空间，将材料研发从漫长的“随机游走”转变为高效的“定向导航”。
图5：模型生成的合成方案的实际光学性能表现(a) 蓝光发射钙钛矿；(b) 红光发射钙钛矿。
迈向“AI科学家”：可解释性与未来展望
不同于仅关注预测结果的“黑箱”模型，本研究特别强调了算法的可解释性分析，试图让AI学习到的规律与人类的科学认知产生共鸣。
如图6的特征重要性分析所示，模型明确识别出反应温度与前驱体比例是调控发光峰位与半峰宽的最关键参数，权重的分布情况与物理化学的基本原理高度一致。这表明，AI模型不仅是在拟合由于数据产生的数值关联，更是在一定程度上“学习”到了材料合成背后的内在科学机制。
图6：(a) 发光峰位（PL Peak）的特征重要性分析；(b) 半峰宽（FWHM）的特征重要性分析。
何纪言研究员指出，尽管本研究通过经典的LightGBM算法取得了显著成效，但这并非技术的终点，而是通向未来智能化科学发现的重要一步。当前的成功验证了数据驱动复杂材料发现的可行性，而随着未来实验数据的自动化产出与积累，这一基础框架将有望融入参数规模更大、推理能力更强的AI大模型体系中。
届时，人工智能将不再仅仅是辅助实验的预测工具，而有望进化为具备自主设计实验路线、自主探索科学边界能力的“AI科学家”。
论文题目： AI-Driven Accelerated Discovery of High-Performance Perovskite Quantum Dots via Predictive LightGBM Modeling
发表期刊： Journal of Physical Chemistry Letters
发表时间： 2025年10月
作者： Zhenze Zhao, Yanan Zhu*, Gaoxu Li, Haojie Dong, Kai Chen, Yibo Zhang, Roman B. Vasiliev, Jiyan He*, Na Liu*, Shuai Chang*