博士生一作兼通訊，發Nature大子刊，師從諾獎得主！

網狀材料（包括金屬有機框架、共價有機框架和沸石咪唑酯框架）的結晶對于構建有序多孔結構至關重要，這些結構在水收集和CO2捕獲等社會重要應用中發揮著關鍵作用。此外，結晶還使得通過單晶X射線衍射（SCXRD）實現原子級精確結構解析成為可能，從而深化了對結構-性能關系的理解，指導材料的進一步開發。然而，盡管網狀化學已發展數十年，新框架的結晶過程仍主要依賴試錯法。盡管可以基于網狀合成的幾何原理理性設計構建單元，但確定哪些組合能在何種特定條件下結晶，仍然高度依賴于經驗性探索。這種低效性導致大量化學空間未被探索，不僅可能錯失具有變革潛力的材料，也限制了對結晶景觀的基礎理解，阻礙了人類直覺和針對性機器學習預測模型的發展。系統性地探索這一空間，以在有限實驗資源下最大化發現，構成了與傳統合成優化截然不同的根本性挑戰。

鑒于此，加州大學伯克利分校Zichao Rong與Omar Yaghi教授提出了名為“算法迭代網狀合成”（AIRES）的循環系統，該體系整合了自動化合成、圖像識別、單晶X射線衍射以及定制化算法決策，旨在最大化不同晶體的發現數量，而非優化單一目標。在沸石咪唑酯框架（ZIFs）上的實驗表明，AIRES的發現效率是隨機探索的兩倍，成功將10種新連接體結晶為多樣化的ZIF拓撲結構，并將單連接體Zn-ZIF材料庫擴大了三分之一。通過將網狀合成從經驗性過程轉變為系統性探索，AIRES為加速材料發現提供了可擴展且高效的藍圖。相關研究成果以題為“Algorithmic iterative reticular synthesis of zeolitic imidazolate framework crystals”發表在最新一期《nature synthesis》上。

值得一提的是，榮子超（Zichao Rong）是Prof. Omar Yaghi課題組的四年級博士生。他畢業于北京大學材料化學專業，期間從事電催化劑和電池電極新材料開發的研究。目前研究重點是通過高通量實驗與機器學習的集成，加速新網狀材料的發現。

【初始ZIF合成數據集的構建】

在AIRES系統中，首先通過自動化平臺收集并標注了初始數據集。具體而言，反應在機器人平臺上進行，產物經過光學成像以識別晶體，隨后進行SCXRD分析和數據標注（圖1a–d）。研究聚焦于由單一連接體構成的Zn-ZIFs，選用了8種起始連接體（包括IM、2mIM、2nIM等），它們在咪唑環上具有不同位置和類型的官能團。每種連接體與六水合硝酸鋅在N,N-二甲基甲酰胺（DMF）中反應，參數空間包括總濃度、連接體與金屬的對數比值和反應溫度，共生成336組反應條件 per linker，總計2,688組反應。高通量實驗平臺包含反應/結晶和表征兩個階段：機器人液體處理系統制備反應混合物，在恒溫烘箱中加熱5天；初步篩選采用自動光學顯微鏡，識別出澄清溶液、沉淀或單晶三種結果。晶體識別基于幾何形狀、顏色均勻性和尺寸（最短維度約20 μm）等標準。

圖 1. AIRES 循環及其組成部分的示意圖

研究人員首先對光學圖像進行二分類（晶體 vs 非晶體），隨后使用EfficientNetV2-S卷積神經網絡訓練模型，其晶體檢測召回率達到0.88，顯示出高可靠性。盡管模型通過過濾無意義圖像提高了篩選效率，專家仍需對模型識別的晶體候選進行SCXRD驗證。例如，在bIM連接體案例中，SCXRD揭示了兩種不同晶體形態：已知的ZIF-7和一種新的二維結構 Zn 3 (bIm) 6 (HCOO) 4 (DMF) 2 （圖2b）。為高效整合SCXRD至高通量實驗，研究采用了兩種實用假設：形態相似的晶體來自同一連接體時結構相同；晶胞參數與已知ZIF匹配即歸類為ZIF。最終，反應結果被標注為二值標簽：“1”代表成功形成ZIF單晶，“0”代表其他結果。通過將二值結果投影至二維參數空間（圖2c），可視化了各連接體復雜且各異的結晶區域，顯示出非單調關系，突顯了機器學習方法捕捉這些復雜規律的必要性。

圖 2. 初始 ZIF 合成數據集

【機器學習引導的發現方法】

AIRES的發現方法將機器學習預測模型與自動化實驗迭代結合（圖1）。每一輪迭代包括三個步驟：模型引導選擇有前景的候選、自動化合成與表征、整合新結果以優化預測。為評估該方法，研究從48種新連接體中篩選出符合條件的候選，排除了具有配位官能團或溶解性差的連接體。連接體結構通過四類特征進行編碼：官能團數量、連接體尺寸、中性/去質子化連接體的量子力學性質，以及預核物種（Zn(II)與兩個中性連接體和兩個硝酸根配位）的量子力學性質（圖3a）。主成分分析顯示，咪唑類和苯并咪唑類連接體有一定聚類趨勢，但前兩個主成分僅解釋50.8%的方差，表明化學空間復雜性高（圖3b）。研究方法將結晶視為二值結果，結合預測模型（隨機森林分類RFC和高斯過程分類GPC）與貪婪選擇策略，始終選擇預測成功概率最高的實驗。一旦某連接體成功結晶，算法即排除其后續實驗，將資源集中于未探索候選。理論分析和實證驗證表明，該貪婪策略在晶體發現中優于傳統優化方法。為充分利用高通量能力，研究還開發了批量選擇算法，通過條件概率估計考慮實驗間依賴關系，避免冗余。與隨機搜索（RS）相比，AIRES（RFC）僅需約700次實驗即發現所有新ZIF晶體，而RS需1,400次，效率提升一倍（圖3c）。批量實驗設置下，AIRES（RFC）同樣保持高效，僅需RS一半實驗即可達成相同發現數量（圖3d）。對各成功連接體的發現實驗分布分析顯示，AIRES（RFC）通過模式識別加速了挑戰性目標（如6mbIM）的發現，而2pIM因結構獨特成為例外，RS表現更優（圖3e）。

圖 3. AIRES 在加速 ZIF 發現方面的表現

【發現的ZIF結構描述】

盡管ZIFs共享四面體構建單元幾何，其網絡拓撲多樣，由三字母代碼表示。通過AIRES，10種成功連接體產生了11種新晶體，分屬7種不同拓撲（圖4a）。其中包括前所未有的雙fcs拓撲（ZIF-A6）以及此前僅能通過混合連接體方法獲得的yth拓撲。AIRES的系統探索將過去20年發展的單連接體Zn-ZIF庫擴大了三分之一，打破了長達十年的發現停滯。此外，RFC還識別出四種新連接體（2cbIM、2mbIM等），在發現所有ZIF晶體前生成了其他類型晶體，這些結構雖保持四面體鋅配位，但配體競爭導致形成層狀ZIFs（LZIFs）而非三維框架（圖4b），表明機器學習捕捉了基本配位原理。

圖 4. AIRES 通過新連接體發現的 ZIFs 和 LZIFs 的拓撲分類及晶體結構

【總結與展望】

AIRES展示了超越單連接體Zn-ZIFs的廣泛潛力，可擴展至多連接體體系及其他結晶系統。其核心的貪婪算法具有通用性，但反應編碼需領域定制。隨著系統復雜化，需輔以PXRD等多模態表征以維持嚴謹性。在更廣的發現生態中，AIRES兼具雙重價值：其驗證的結構是構建結構-性能關系模型的寶貴數據源；其輸出成果可作為下游材料規模化開發的結構錨點。例如，它將發現的初始條件與模擬PXRD譜圖結合，能助力相識別與純度評估，進而驅動優化循環以提升結晶度，從而在材料發現與后續工藝優化之間建立起無縫橋梁。