2024 年度的诺贝尔物理学奖和化学奖均与人工智能相关，这无疑表明 AI 技术已成为解决复杂科学问题的一种重要工具，正在推动着科学研究的范式转变。
作为全球领先的专业化学团体和学术传播机构，英国皇家化学会早在 2020 年就发布了《Digital Futures》报告 (http://rsc.li/Digital-Futures)，其中汇集了诸多顶尖科学家对数字化未来的畅想与展望（点击链接打开：工作 007 成果700：科研机器就是这么朴实无华且真实）。
与此同时，英国皇家化学会不仅越来越多地在旗下各本期刊上发表与 AI 相关的高水平研究工作，而且还于 2021 年推出 Digital Discovery 期刊 (http://rsc.li/digitaldiscovery)，开启了 AI 化、自动化、数字化化学科学成果报道平台的先河。
根据 2024 年 6 月发布的《期刊引证报告 (JCR)》，Digital Discovery 收获了 6.2 的首个影响因子，并且同时处于“计算机科学-跨学科应用”和“化学-跨学科”这两大学科类别中的 Q1 区。
欢迎扫描下方二维码或点击文末“阅读原文”查看 2025 年电子版 RSC 台历。希望您能喜欢我们给您的这份新年礼物，也期待与您在 2025 年继续合作共赢，一同推动化学科学的发展进步，造福全人类。
留言送台历
欢迎在评论区留下你的 2025 年美好祝愿。Top 30 高赞留言的小伙伴们可获得 2025 新年台历（统计截止北京时间 12 月 27 日 23:59）。快来分享好友点赞吧！
纳米色彩路由已成为光场操控、 图像传感和深度学习集成化领域中的一大热门主题。该篇综述全面探讨了具有代表性的深度学习驱动纳米色彩路由结构设计，包括正向模拟算法、光子神经网络以及各种全局和局部拓扑优化方法，将这些方法所表现出的卓越分光能力与传统设计方法进行了深度对比，同时也预测了未来发展的高潜力发展方向，为推动色彩路由领域的发展提供了宝贵的见解。
Optical color routing enabled by deep learning Shijie Xiong and Xianguang Yang* (杨先光, 暨南大学) Nanoscale, 2024, 16, 9284-9294;
https://doi.org/10.1039/D4NR00105B
近年来，人工智能、微／纳机器人、微流控技术的相互联系愈发紧密，极大地促进了生物医学领域的基础科学前沿突破。人工智能技术已赋予微／纳机器人前所未有的智慧与功能，先进的人工智能理论使得微流体中的微／纳机器人在运动控制、环境感知和群体智能等方面得到了显著增强。这一新兴交叉学科领域拥有巨大的潜力，有望推动生物医学研究的范式变革，为人类健康做出更大贡献。
AI-enhanced biomedical micro/nanorobots in microfluidics Hui Dong, Jiawen Lin, Yihui Tao, Yuan Jia, Lining Sun, Wen Jung Li and Hao Sun* (孙浩, 福州大学【现哈尔滨工业大学】) Lab Chip, 2024, 24, 1419-1440;
https://doi.org/10.1039/D3LC00909B
锂离子电池使用的锂资源是不可持续的，因此人们开始关注铝和钙等地壳丰富元素，而这类多价态金属离子电池需要合适的插层主体材料。受限于化学结构上庞杂的多样性，传统的实验试错和量子力学计算方法不具有可行性。该工作利用数据挖掘和机器学习技术来发现创新的过渡金属氧化物插层主体材料，得到的结果为多价态离子电池的产业化应用提供了宝贵的见解。
Unlocking the potential of open-tunnel oxides: DFT-guided design and machine learning-enhanced discovery for next-generation industry-scale battery technologies Joy Datta, Nikhil Koratkar and Dibakar Datta* (新泽西理工学院) Energy Adv., 2024, 3, 968-982;
https://doi.org/10.1039/D4YA00014E
大型语言模型（如 ChatGPT）因其出色的自然语言处理和生成能力而备受关注。该文探讨了大型语言模型在材料科学领域的应用潜力，特别是它们在模糊任务处理、流程自动化和跨学科大规模提取知识方面的能力，另外还给出了两个案例研究实例，展示了大语言模型在任务自动化和大规模知识提取中的应用。作者们希望该文能帮助材料科学研究人员了解如何在自己的研究工作中使用这些大语言模型工具。
Materials science in the era of large language models: a perspective Ge Lei, Ronan Docherty and Samuel J. Cooper* (伦敦帝国理工学院) Digital Discovery, 2024, 3, 1257-1272;
https://doi.org/10.1039/D4DD00074A
碳氢单元的选择性识别长期以来一直是一大难题，该文作者们在机器学习算法的辅助下探索了对烃基具有高度选择性的路易斯酸分子。利用从一个作为学习模型的杂 Diels-Alder 反应中提取出 7963 个解释变量，该集成算法经过训练后对全新催化剂的化学选择性进行了预测。预测结果被实验证实，算法得到的催化剂所表现出的位点选择性几乎与酶相当。
Selective recognition between aromatics and aliphatics by cage-shaped borates supported by a machine learning approach Yuya Tsutsui, Issei Yanaka, Kazuhiro Takeda* (静冈大学), Masaru Kondo, Shinobu Takizawa, Ryosuke Kojima, Akihito Konishi* (大阪大学) and Makoto Yasuda* (大阪大学) Org. Biomol. Chem., 2024, 22, 4283-4291;
https://doi.org/10.1039/D4OB00408F
作为一种基本的材料属性，弹性张量描述了材料对外力的弹性响应。然而，由于实验和计算上的限制，目前还没有完整的无机晶体化合物弹性张量数据。该工作使用一种等变图神经网络模型，实现了对无机材料完整四阶弹性张量的快速和准确预测；得益于此，作者们发现了最大定向杨氏模量非常高的一百种晶体以及具有非常规空间取向杨氏模量的十一种立方单质金属多晶型。
An equivariant graph neural network for the elasticity tensors of all seven crystal systems Mingjian Wen* (休斯顿大学), Matthew K. Horton, Jason M. Munro, Patrick Huck and Kristin A. Persson Digital Discovery, 2024, 3, 869-882;
https://doi.org/10.1039/D3DD00233K
固体电解质界相 (solid electrolyte interphase, SEI) 是影响全固态电池中锂金属负极耐久性的最重要因素之一。该文通过热力学相平衡分析和机器学习势辅助分子动力学模拟揭示出全固态电池中锂金属与 β-Li₃PS₄ 之间固体电解质界相的形成机制与结构，为更好理解界面离子迁移提供了至关重要的信息。
Visualizing the SEI formation between lithium metal and solid-state electrolyte Fucheng Ren, Yuqi Wu, Wenhua Zuo, Wengao Zhao* (赵文高, 卡尔斯鲁厄理工学院), Siyuan Pan, Hongxin Lin, Haichuan Yu, Jing Lin, Min Lin, Xiayin Yao, Torsten Brezesinski, Zhengliang Gong* (龚正良, 厦门大学) and Yong Yang* (杨勇, 厦门大学) Energy Environ. Sci., 2024, 17, 2743-2752;
https://doi.org/10.1039/D3EE03536K
高熵材料近年来已成为一类重要材料。然而，由于计算成本过高，现有的密度泛函理论 (DFT) 数据库中依然缺乏足够的高熵材料数据。该工作引入了一个开放的合金 DFT 数据集，并采用机器学习方法研究了高熵材料建模所需的材料表示。结果表明，机器学习模型可以从对于低阶有序系统的低成本高效计算泛化至更复杂的场景，因而为数据驱动的高熵材料原子建模提供了重要见解。
Efficient first principles based modeling via machine learning: from simple representations to high entropy materials Kangming Li* (多伦多大学), Kamal Choudhary, Brian DeCost, Michael Greenwood and Jason Hattrick-Simpers* (多伦多大学) J. Mater. Chem. A, 2024, 12, 12412-12422;
https://doi.org/10.1039/D4TA00982G
连续流合成提供了比传统间歇方式更广泛的参数优化空间，但也带来了更高的工艺优化成本。该文设计出一种可在模型训练过程中进行自优化的贝叶斯算法，相较于对采集函数进行优化的大部分现有算法效果更好。作者们利用该算法优化了一种重要药物中间体的连续流合成，不到 30 轮迭代就获得了 79.1% 的产率，接着使用更少的先验数据进行优化，成功减少了 27.6% 的实验次数，显著降低了实验成本。
Self-optimizing Bayesian for continuous flow synthesis process Runzhe Liu, Zihao Wang, Wenbo Yang* (杨文博, 大连理工大学), Jinzhe Cao* (曹金哲, 大连理工大学) and Shengyang Tao* (陶胜洋, 大连理工大学) Digital Discovery, 2024, 3, 1958-1966;
https://doi.org/10.1039/D4DD00223G
虽然对铑 (Rh) 催化烯烃不对称加氢反应已有 50 多年的研究历史，但 Rh 催化剂的配体工程或选择仍然离不开反复的试验。该文作者们希望能通过机器学习技术加速高效手性配体的发现，为此他们利用高通量实验和量子化学计算构建了一套 Rh 催化不对称烯烃加氢反应的机器学习模型，以期能找出影响选择性和反应性预测准确性的众多因素。相关研究结果凸显了数据集多样性和机理认识的重要性。
Probing machine learning models based on high throughput experimentation data for the discovery of asymmetric hydrogenation catalysts Adarsh V. Kalikadien, Cecile Valsecchi, Robbert van Putten, Tor Maes, Mikko Muuronen, Natalia Dyubankova, Laurent Lefort* (杨森制药) and Evgeny A. Pidko* (代尔夫特理工大学) Chem. Sci., 2024, 15, 13618-13630;
https://doi.org/10.1039/D4SC03647F
同时具备低监测限、宽检测范围、大弯曲应力和优异机械稳定性的人体运动柔性压力传感器仍然是一大难题。该文发展出一款基于微褶皱复合薄膜电极的柔性电容传感器，具有宽压力检测范围 (700 kPa)、低检测限 (16.55 Pa)、快速响应／复原 (48/60 ms)、长期稳定等特性。其上还集成有物联网模块与人工智能算法，成为了可识别和预测动态手势的智能手套系统，在人机界面应用上大有潜力。
Synergistic advancements in high-performance flexible capacitive pressure sensors: structural modifications, AI integration, and diverse applications Qiang Zhao, Lei Fan, Nan Zhao, Haoyun He, Lei Zhang and Qiulin Tan* (谭秋林, 中北大学) Nanoscale, 2024, 16, 6464-6476;
https://doi.org/10.1039/D3NR05155B
葡萄糖是糖尿病和低血糖症等多种疾病的重要生物标志物，而快速且经济的葡萄糖检测十分有助于识别潜在风险人群。该文作者们设计、制造并装配出一种新型的一次性微流控装置，可在智能手机的帮助下实现对尿液葡萄糖比色结果的计算机视觉识别和处理（计算机视觉是利用计算机和人工智能技术来处理、分析和理解图像或视频数据的技术），最终的检测结果具有高度的准确性和一致性 (R²=0.997)。
A computer vision enhanced smart phone platform for microfluidic urine glucometry Zhuolun Meng, Muhammad Tayyab, Zhongtian Lin, Hassan Raji and Mehdi Javanmard* (罗格斯大学) Analyst, 2024, 149, 1719-1726;
https://doi.org/10.1039/D3AN01356A
复合材料能优化载荷分布并获得更好的抗裂纹扩展能力，然而这方面的传统计算建模有着“计算成本高”和“外推空间预测能力差”的问题。该文引入了一种先进的多任务深度学习框架，对应力演变以及裂纹生长具有卓越的预测能力，计算时间也大幅低于有限元法。文中的两项复杂工程应用证实了该模型的实用性：即设计出强度与韧性超越训练集的复合材料，以及设计出具有特定裂纹路径的复合材料。
Deep generative spatiotemporal learning for integrating fracture mechanics in composite materials: inverse design, discovery, and optimization Donggeun Park, Jaemin Lee, Hugon Lee, Grace X. Gu and Seunghwa Ryu* (韩国科学技术院) Mater. Horiz., 2024, 11, 3048-3065;
https://doi.org/10.1039/D4MH00337C
合材料能优化载荷分布并获得更好的抗裂纹扩展能力，然而这方面的传统计算建模有着“计算成本高”和“外推空间预测能力差”的问题。该文引入了一种先进的多任务深度学习框架，对应力演变以及裂纹生长具有卓越的预测能力，计算时间也大幅低于有限元法。文中的两项复杂工程应用证实了该模型的实用性：即设计出强度与韧性超越训练集的复合材料，以及设计出具有特定裂纹路径的复合材料。
Deep generative spatiotemporal learning for integrating fracture mechanics in composite materials: inverse design, discovery, and optimization Darik A. Rosser, Brianna R. Farris and Kevin C. Leonard* (堪萨斯大学) Digital Discovery, 2024, 3, 667-673;
https://doi.org/10.1039/D3DD00151B
对于性能优于已有材料的新材料的研发工作，现有的大多数机器学习模型都是不太胜任的，因为它们学习的都是已有数据的概率分布，难以完成外推性的任务。该文提出了一种基于强化学习的组合化学策略，可依序选择出合适的分子片段来设计具有目标特性的分子。作者们给出了两个实际例子——发现蛋白对接分子和 HIV 病毒抑制剂——证明了该模型在发现性能更好的新化合物任务中的强大能力。
Materials discovery with extreme properties via reinforcement learning-guided combinatorial chemistry Hyunseung Kim, Haeyeon Choi, Dongju Kang, Won Bo Lee* (首尔国立大学) and Jonggeol Na* (梨花女子大学) Chem. Sci., 2024, 15, 7908-7925;
https://doi.org/10.1039/D3SC05281H
📧 RSCChina@rsc.org
