【期刊总结】《Advanced Materials》中的理论与计算化学(含机器学习)（一）

    《Advanced Materials》三十多年来每周为人们带来材料科学的最新进展。杂志精选优质的研究文章、综述和前沿视角，涵盖功能材料的化学与物理学前沿成果。《Advanced Materials》的成功秘诀之一在于其显著的跨学科性。

    该期刊关键词包括：材料科学、纳米技术、液晶、半导体、超导体、光学、激光器、传感器、多孔材料、发光材料、陶瓷、生物材料、磁性材料、薄膜、胶体、能源材料、光伏、太阳能电池、生物材料、光子学、铁电体、多铁性材料、超材料、药物递送、癌症治疗、组织工程、成像、自组装、分级材料、电池、超级电容器、热电材料、高分子、纳米材料、纳米复合材料、纳米管、纳米线、纳米颗粒、碳、金刚石、富勒烯等。

    这周起，我们将介绍《Advanced Materials》期刊中2023年度与密度泛函理论(DFT)、分子动力学模拟(MD)、机器学习、深度学习以及神经网络相关的文章，搜索方式就是在《Advanced Materials》主页搜索框搜索“Machine Learning；Deep Learning；Neural Network；Transfer learning；DFT；Molecular dynamic simulation”等关键词，时间跨度选择2023年。

    根据搜索结果，我们筛去了以前本公众号报道过的相关文章，选取了其中的十篇被引率量靠前的文章进行报告，以供大家学习和参考。这一期是1~5。

1. Advanced Materials：机器学习辅助纳米酶设计——材料和工程酶的经验教训

    纳米酶是具有类酶生物模拟特性的纳米材料。结合纳米材料的固有特性，纳米酶在材料科学、化学工程、生物工程、生物化学和疾病治疗诊断中有广泛应用。近来，研究结果的异质性突显了纳米酶在催化能力一致性方面的复杂性与多样性。机器学习（ML）在新材料发现中展示出广阔潜力，但基于ML方法设计新型纳米酶仍具挑战性。ML已用于优化催化材料与工程酶的智能设计和应用，将这些成功的ML算法引入催化材料和工程酶的智能设计中，可以推动具备理想特性的下一代纳米酶的开发。在此，研究者总结了机器学习的最新进展及其在催化材料和酶设计中的应用，并探讨了ML如何作为一种有效策略，帮助应对纳米酶研发中耗时且繁杂的测试挑战。文章还特别聚焦于ML辅助催化材料和工程酶在纳米酶设计中的成功实例，展示其在增强设计、实现底物选择性和催化活性方面的统一目标。

参考文献：

J. Zhuang, A. C. Midgley, Y. Wei, Q. Liu, D. Kong, X. Huang, Machine-Learning-Assisted Nanozyme Design: Lessons from Materials and Engineered Enzymes. Adv. Mater. 2024, 36, 2210848. https://doi.org/10.1002/adma.202210848

原文链接：

https://onlinelibrary.wiley.com/doi/10.1002/adma.202210848

2. Advanced Materials：结合对分布函数和密度泛函理论求解纳米材料原子结构的机器学习方法

    在固态化学和物理学中，确定纳米晶或非晶态化合物的晶体结构是一项重大挑战。对X射线或中子总散射数据进行对分布函数（PDF）分析已被证明是应对这一挑战的关键。然而，大多数情况下，需要一个可靠的结构模型作为结构精修的初始配置。本文提出了一种算法，通过实时训练的机器学习模型结合密度泛函理论计算，比较计算的PDF与实测PDF，以在人工优化的“绘景”中实现晶体结构的全局优化。由于该绘景的特性，甚至亚稳态配置和堆叠无序也能够被识别。

参考文献：

M. Kløve, S. Sommer, B. B. Iversen, B. Hammer, W. Dononelli, A Machine-Learning-Based Approach for Solving Atomic Structures of Nanomaterials Combining Pair Distribution Functions with Density Functional Theory. Adv. Mater. 2023, 35, 2208220. https://doi.org/10.1002/adma.202208220

原文链接：

https://onlinelibrary.wiley.com/doi/10.1002/adma.202208220

3. Advanced Materials：用于耐用水性锌电池的高效低体积浓度添加剂：机器学习支持的性能合理化

    水系锌电池化学的核心优势来源于高能量密度的锌金属负极和温和的水系电解质。然而，由于锌的腐蚀及枝晶问题，二者的不兼容性成为延长电池循环寿命的障碍。尽管电解质添加剂是具有可扩展性的解决策略，但能够在低浓度下有效发挥作用的添加剂依然难以找到。本文通过筛选醇类和二醇类化合物，发现1,2-丁二醇和戊二醇作为高效添加剂，在1体积%的实际浓度下能够形成动态固态电解质界面膜，以显著的界面成膜能力缓解腐蚀与枝晶问题，从而使锌的循环性提升五至二十倍，并在高库仑效率（高达99.9%）下改进全电池性能，即使在高温等严苛条件下亦表现出色。此外，基于机器学习的分析进一步解释了添加剂性能与关键物理化学参数的关系，为高效添加剂的理性开发提供了方向。

参考文献：

Y. Shang, V. Kundi, I. Pal, H. N. Kim, H. Zhong, P. Kumar, D. Kundu, Highly Potent and Low-Volume Concentration Additives for Durable Aqueous Zinc Batteries: Machine Learning-Enabled Performance Rationalization. Adv. Mater. 2024, 36, 2309212. https://doi.org/10.1002/adma.202309212

原文链接：

https://onlinelibrary.wiley.com/doi/10.1002/adma.202309212

4. Advanced Materials：用可解释的人工智能发现可扩展钙钛矿太阳能电池制造的过程动力学

    钙钛矿半导体薄膜的大面积制备过程复杂，且质量波动难以解释，这成为钙钛矿光伏技术商业化的主要障碍。目前，可扩展的制备工艺仍主要依赖于逐步的、任意的试错法。尽管原位获取的光致发光（PL）视频可揭示薄膜成型过程中的重要变化，但数据的高维度超出了人工分析的能力。为此，本研究利用深度学习（DL）和可解释人工智能（XAI），挖掘钙钛矿薄膜成型过程中传感信息与最终太阳能电池性能指标之间的关系，使其变得易于理解。研究进一步表明，这些洞见可转化为钙钛矿薄膜制备的可操作性建议，推动工业规模太阳能电池的制造。本研究证明，XAI方法将在加速能源材料科学领域中发挥关键作用。

参考文献：

Ni, B., Kaplan, D. L., & Buehler, M. J. (2023). Generative design of de novo proteins based on secondary-structure constraints using an attention-based diffusion model. Advanced Materials, 9(7), 1828-1849.

原文链接：

https://onlinelibrary.wiley.com/doi/10.1002/adma.202307160

5. Advanced Materials：片上光子深度神经网络的MXene纳米片全光非线性激活函数

    二维金属碳化物和氮化物（MXene）因其非线性可饱和吸收效应，被视为片上神经网络的理想材料平台。金属MXene纳米片的局域表面等离激元共振可能在增强电磁吸收方面发挥重要作用，但由于对其局域表面等离激元行为缺乏精确理解，尚无法确定其具体贡献。本文开发了由MXene薄膜制成的可饱和吸收器及与硅波导相结合的MXene片层叠加结构，用于实现类脑任务。这些设计具有可重构性，无需改变MXene激活器配置的物理结构，即可通过调整工作波长适用于不同应用。通过手写数字分类任务验证了该配置在机器学习应用中的性能与可行性，精度接近99%。这些研究成果可为片上超薄可饱和吸收材料的设计提供指导，适用于广泛应用领域。

参考文献：

A. Hazan, B. Ratzker, D. Zhang, A. Katiyi, M. Sokol, Y. Gogotsi, A. Karabchevsky, MXene-Nanoflakes-Enabled All-Optical Nonlinear Activation Function for On-Chip Photonic Deep Neural Networks. Adv. Mater. 2023, 35, 2210216. https://doi.org/10.1002/adma.202210216

原文链接：

https://onlinelibrary.wiley.com/doi/10.1002/adma.202210216