近日，松山湖材料實驗室研究員元冰團隊與蘇州大學教授楊愷團隊合作，在復雜膠體自組裝逆向設計領域取得重大突破，開發出基于機器學習的模塊化逆向設計策略，成功破解“設計密碼”。相關成果發表于《ACS納米》。
自組裝作為自然界構建復雜結構的基本法則，為功能材料開發提供強大助力。但如何精準設計構筑單元（如補丁粒子），實現“逆向設計”以自發組裝成預設復雜結構，一直是材料科學與物理學領域的難題。尤其在高維設計參數空間中，傳統試錯法效率低、成本高。
兩步法模塊化策略的設計過程示例。研究團隊供圖，下同
為此，研究團隊提出的基于機器學習的模塊化逆向設計策略，巧妙將高維設計問題降維。在目標結構設計里，僅用單一組分補丁粒子，就高效、精準實現了多種阿基米德鑲嵌等復雜超晶格結構的設計。此策略大幅降低計算成本，獲得更精簡設計方案，為功能材料按需定制開辟新路徑。
面對補丁粒子設計中“補丁位置”和“結合強度”等參數耦合帶來的高維復雜性，團隊創新推出“兩步走”模塊化逆向設計方案。第一步，基于遺傳算法的“反向演化”高效篩選補丁位置。以目標結構為“初始態”，通過計算成本低的反向演化模擬評估其穩定性，結合遺傳算法全局搜索能力，在龐大離散參數空間迅速收斂，確定最優補丁布局。第二步，基于貝葉斯優化的“正向演化”精準調節結合強度。確定補丁位置后，參數空間維度降低，再利用貝葉斯優化算法對補丁間結合強度這一連續參數精細調節，以最少模擬次數找到最優解，確保設計方案在真實自組裝中的可行性。
兩步法模塊化逆向設計策略示意圖。
該策略優勢顯著，不僅能發現隱藏在復雜性背后的簡潔規律。以經典{3,3,3,4,4}阿基米德鑲嵌為例，傳統認為每個粒子至少需5個補丁構筑，而團隊運用新策略發現，僅需3個補丁的極簡設計，通過巧妙利用非補丁區域接觸作用，就能實現目標結構自組裝。這表明機器學習輔助的非偏見性搜索，可有效探索傳統方法忽略的設計空間，找到更高效、易實驗實現的解決方案。與現有方法相比，該策略在探索設計空間方面魯棒性更強，能發現不同自組裝路徑并獲得性能更優結構，還成功推廣到更復雜的非阿基米德鑲嵌等結構設計中，普適性卓越。
該研究工作整合遺傳算法與貝葉斯優化，建立高效、穩健的補丁粒子模塊化逆向設計框架，如同在計算機中進行“定向演化”，能根據預設目標結構自動推導出構筑單元微觀“設計密碼”。
{3, 3, 3, 4, 4}阿基米德鑲嵌的極簡設計。
“該研究為膠體科學、軟物質物理等領域提供強大理論設計工具，也為光子晶體、催化劑載體和低摩擦涂層等先進功能材料開發指明方向。”該論文第一作者、松山湖材料實驗室聯培博士生許一唯稱，隨著DNA折紙等實驗技術進步，將in silico設計方案轉化為高性能實體材料指日可待，材料“按需定制”時代正加速來臨。
相關論文信息：https://doi.org/10.1021/acsnano.5c10787