【华南师大｜J. Phys. Chem. Lett.】基于特征引导的低维钙钛矿A位有机阳离子逆向设计

      PART 1    

        文章信息      

      题目    

    Feature-Guided Inverse Design of Organic A‑Site Cations for Perovskites Dimensional Engineering  

      作者    

    Weijie Wu, Yu Wang, Xiaoting Chen, Qingduan Li, Yue-Peng Cai, Songyang Yuan, Shengjian Liu  

      单位    

    华南师范大学 化学学院；广州海事大学 低空装备与智能控制学院  

      期刊    

    Journal of Physical Chemistry Letters，2025 / 16  

      DOI    

    https://doi.org/10.1021/acs.jpclett.5c02433  

      PART 2    

        一句话概括      

    本文提出一种由分子描述符直接驱动的机器学习逆向设计框架，实现低维钙钛矿A位有机阳离子的可控生成与实验验证。  

该工作建立了从“目标结构维度”到“可合成有机阳离子”的数据驱动设计闭环。

      PART 3    

        研究背景与科学问题      

    低维钙钛矿因其各向异性结构、高激子束缚能和可调光电性能，在光伏、探测和发光器件中展现出重要潜力。材料维度（2D/1D/0D）直接决定其稳定性与器件表现，而A位有机阳离子是调控维度的关键因素。  

    然而，当前A位有机阳离子的选择主要依赖经验试错，缺乏清晰的结构—维度映射规律，导致设计效率低、成功率有限。同时，稳定性、可合成性与光电性能之间往往难以兼顾。  

    近年来，深度生成模型在分子设计中显示出强大潜力，但如何将“结构维度”这一材料层级目标直接引入分子生成过程，仍是一个未解决的问题。  

关键挑战

A位有机阳离子设计高度依赖经验，缺乏系统方法

分子结构与钙钛矿维度之间的定量关系不清晰

难以同时保证目标维度、化学合理性与可合成性

生成模型易出现特征失配或化学无效分子

本文要解决的核心问题是：如何从少量关键分子描述符出发，逆向生成可合成、可预测维度的A位有机阳离子。

      PART 4    

        技术原理与创新点      

    作者构建了一个以LSTM为核心的特征引导分子生成框架，将与钙钛矿维度高度相关的三个分子描述符（ATSC1pe、MATS2c、SlogP_VSA2）直接嵌入SMILES序列生成过程。  

    在此基础上，提出“双重拟合（Double Fit）”策略，从特征空间与序列空间两个层面联合优化生成分子，使其既满足目标描述符，又保持化学合理性与结构多样性。  

方法分解

1.

从GDB-11数据库筛选构建约300万小分子候选库

2.

利用已建立的维度预测模型确定关键描述符

3.

基于LSTM的Seq2Seq模型进行特征条件分子生成

4.

通过Double Fit策略进行定向异原子替换与筛选

5.

采用DFT计算与实验合成验证预测结果

创新清单

将钙钛矿结构维度问题转化为分子描述符逆向设计问题

提出面向描述符的“双重拟合”分子优化策略

在无结构先验条件下实现已知A位分子的“结构回归”

打通生成模型、DFT筛选与实验验证的完整流程

text

Double Fit 核心流程：输入目标描述符 生成SMILES 异原子抽象(X) 概率重替换(C/N/O/F) 化学有效性过滤 描述符MSE最小化筛选

相比传统随机SMILES变异，Double Fit 是一种化学感知、特征驱动的定向优化机制。

      PART 5    

        实验验证与性能      

    研究通过多层次验证模型性能：首先在特征空间评估生成与优化分子的描述符分布；随后使用DFT计算筛选热力学稳定分子；最终合成并解析真实钙钛矿晶体结构。  

评测维度

1.

描述符拟合精度

•

MSE（无量纲，对比生成前后）

2.

分子新颖性

•

Tanimoto系数（与训练集对比）

3.

可合成性

•

SA score（Ertl方法）

4.

分布一致性

•

FCD（与训练集分布对比）

关键结果表

在0.8–0.9目标相似度区间内，实现了特征精度、结构新颖性与可合成性的最佳平衡。

      PART 6    

        学术贡献      

提出面向钙钛矿维度调控的分子逆向设计新范式

构建特征—分子—结构三者之间的可解释映射

验证生成模型在材料化学中的“结构回归”能力

为低维钙钛矿有机组分设计提供通用工具

该工作推动了生成式AI从“分子像不像”走向“材料能不能用”。

      PART 7    

        局限性与未来方向      

    尽管Double Fit策略显著提升了描述符拟合精度，但当目标特征位于训练分布边界之外时，模型只能生成最近邻可行解，难以强制整体分布迁移。  

    此外，目前框架主要聚焦结构维度单目标调控，对电子、界面或热稳定等多目标尚未系统整合。  

待解决问题

极端描述符目标下的生成能力

分子级稳定性与可合成性验证

多目标（电学/界面）联合设计

下一步最关键的方向是引入多目标反馈与实验闭环学习。

      PART 8    

        总结      

    本文通过特征引导的LSTM生成模型与Double Fit策略，实现了低维钙钛矿A位有机阳离子的可控逆向设计。模型在保持新颖性与可合成性的同时，成功预测并实验验证了真实材料维度。  

用三个分子描述符，就能“反推出”可用的低维钙钛矿有机阳离子。

      PART 9    

        图文赏析      

Figure 1

a) - e) A位阳离子设计的特征引导分子生成与基于密度泛函理论（DFT）的验证工作流程。f) 双重拟合策略用于特征导向分子优化的示意图。

Figure 2

a) 训练、生成和优化分子中ATSC1pe数值的分布。b) 训练、生成和优化分子中MATS2c数值的分布。c) 训练、生成和优化分子中SlogP_VSA2数值的分布。d) 输入分子与生成/优化分子之间ATSC1pe的均方误差（MSE）。e) 输入分子与生成/优化分子之间MATS2c的MSE。f) 输入分子与生成/优化分子之间SlogP_VSA2的MSE。g) 描述符空间中分子分布的t-分布随机邻域嵌入（t-SNE）可视化。“optimized−70/80/90”指在目标相似度范围为0.7−0.8、0.8−0.9和0.9−1.0下优化的分子。h) 训练、生成和优化分子的统一流形近似与投影（UMAP）。i) 分子特征空间的主成分分析（PCA）。

Figure 3

a) 训练、生成和优化分子的分子量分布。b) 训练、生成和优化分子的分配系数（LogP）分布。c) 训练、生成和优化分子的拓扑极性表面积（TPSA）分布。d) 生成/优化分子与训练分子之间的最大Tanimoto系数（RDKit指纹）。e) 生成和优化分子的SA评分直方图。f) 生成和优化分子的FCD评分。

Figure 4

八种经DFT优化的代表性分子（a−h）的电子密度和LUMO分布。

Figure 5

a) −c) 由PA、FPEA和mXA生长得到的晶体显微结构。