Nat. Comput. Sci. | 异质图深度学习驱动复杂纳米颗粒异质结构的梯度优化

DRUGONE

设计具备多壳层、多掺杂结构的上转换纳米颗粒（UCNP）一直是材料科学中的难点，主要受限于材料表示方法不足、训练数据匮乏以及物理模拟成本高昂。研究人员构建了一个包含 6,000 余条高精度模拟光谱的大型数据集，并开发了基于物理启发的异质图表示方法，训练出可微分的异质图神经网络（hetero-GNN）。依托该模型的梯度能力，研究人员能够在远超训练数据分布的结构空间中进行优化，最终找到发射强度提升约 6.5 倍 的 UCNP 结构，为纳米材料的深度学习逆向设计提供了可行路线。

现代能源、光子学、医学与微电子技术对具有复杂结构的功能性纳米材料需求不断增长。然而，深度学习在这些体系中的应用面临三大挑战：

• 结构表示不足：传统表格特征无法表达多壳层 UCNP 的层级关系、掺杂分布与能量传递网络。
• 训练数据昂贵：高精度动力学模拟（如 kMC）耗费大量计算资源。
• 物理模型不可微：阻碍结构参数的梯度优化，从而使材料逆向设计难以实现。

多壳层 UCNP 具有高度耦合的能量传递网络，是检验深度学习模型结构理解能力的典型体系。因此，需要一种能同时完成材料表示、预测与优化的新方法。

方法

研究人员构建了 SUNSET 数据集，其中包含大量不同结构域组合、掺杂比例与半径的 UCNP，并通过 kMC 得到对应光谱。随后：

• 使用 异质图表示 将每一壳层视为图中的节点，并将掺杂比例、壳层尺寸、物理交互作为节点与边特征；
• 训练 hetero-GNN 预测光谱强度，并利用其可微特性实现直接对结构参数求梯度；
• 在此基础上执行梯度优化，将结构搜索扩展至远超训练分布的空间。

结果

构建系统化的大规模 UCNP 光谱数据库

研究人员利用自动化流程生成大量 UCNP 异质结构，结合高通量 kMC 模拟构建了一个包含丰富结构与光谱的高质量数据集。这个数据库为训练通用、稳健的异质图神经网络提供了基础。

异质图表示 + hetero-GNN 显著提升结构预测能力

研究人员系统探索了不同的材料表示方式，发现异质图方法最能保留结构域之间的真实物理关系。在此表示下训练的 hetero-GNN：

• 能捕获能量传递路径、壳层耦合等复杂物理现象；
• 对每个结构参数提供可微梯度，有利于逆向设计；
• 通过“在线结构域随机细分”的数据增强方式，显著提升训练分布之外的泛化能力。

基于可微模型的 UCNP 异质结构梯度优化

在训练完成后，hetero-GNN 被用作高速、可微的物理近似模型，研究人员结合局部与全局优化策略，在更大规模的结构空间（最多 10 层、最大 15 nm 半径）中探索最优设计。最终找到的异质结构在 800 nm 激发下的 UV/蓝光发射强度比训练集最优结构提升约 6.5 倍。

讨论

研究人员通过显式 kMC 模拟验证优化结构，但这些验证模拟耗费超过 120,000 CPU 小时，显示真实模拟的计算成本极高；相比之下，hetero-GNN 的优化仅耗费约 2,000 GPU 小时，凸显深度学习在纳米材料设计中的巨大加速潜力。

此外，该框架具有良好的泛化性，可应用于多种分层纳米体系，包括：

• 金属/介电纳米光子结构
• 多元素异质催化材料
• 异质半导体纳米结构
• 层级纳米药物递送系统
• 多层磁性纳米颗粒与石墨烯材料

通过替换节点物理特征即可适应不同体系，为未来的多目标优化、材料动力学学习及全自动逆向设计奠定基础。

整理 | DrugOne团队

参考资料

Sivonxay, E., Attia, L., Spotte-Smith, E.W.C. et al. Gradient-based optimization of complex nanoparticle heterostructures enabled by deep learning on heterogeneous graphs. Nat Comput Sci (2025).

https://doi.org/10.1038/s43588-025-00917-3

内容为【DrugOne】公众号原创｜转载请注明来源