Nature子刊，中国科大团队提出迁移学习指导的圆偏振磷光材料设计

编辑 | 白菜叶

今天的故事开始前，先给大家介绍一种有（ku）趣（zao）的材料——圆偏振磷光材料（CPP）。这种材料在 3D 显示、生物成像、防伪、光电子器件、手性分子识别等领域发挥着重要作用。

不过，在同一分子中精确控制并同时独立切换圆偏振荧光和磷光性能仍然是一项很艰巨的挑战。

翻译成普通话就是：科学家要想随心所欲地设计这类材料非常困难！

近期，中国科学技术大学江俊教授、邹纲教授、尚伟伟副教授团队提出了一种基于大型语言模型和迁移学习方法的圆偏振磷光材料定制设计策略，不仅能够有效识别合适的合成前体，而且为实验程序提供了有价值的参考。

该方法可以实现用户指定的圆偏振荧光/磷光性能材料的逆向定制，有利于其在多色显示和多维信息加密中的应用。

该研究以「Design of circularly polarized phosphorescence materials guided by transfer learning」为题，于 2025 年 5 月 29 日发布在《Nature Communications》。

论文链接：https://www.nature.com/articles/s41467-025-60310-6

近年来，圆偏振磷光（Circularly Polarized Phosphorescence, CPP）材料引起了业界广泛关注。

这类材料兼具内在手性光学特性、较长的寿命、大的斯托克斯位移，并在 3D 显示、防伪等多个潜在应用领域展现出广阔的前景。

迄今为止，研究人员已经开发出多种 CPP 材料，包括手性无机材料、有机小分子、自组装体系和聚合物体系，并已成功应用于手性光学探测、显示、成像和信息加密等多个领域。

然而，大多数已报道的 CPP 材料的发光不对称因子 [g(lum)] 通常处于10-3至10-2之间，这很大程度上限制了这类材料的实际应用。

为了进一步提升 g(lum) 数值，科学家们进行了诸多尝试。

近年来，通过多层非手性各向异性功能层的扭曲堆叠来构建具有高g(lum)值的手性纳米结构成为一种热门方法，该策略在调控手性光学活性方面提供了更大的自由度。

在以前的研究中，江俊、邹刚团队曾构建了一系列圆偏振发光材料，其 g(lum) 值最高可达 1.9。不同于荧光材料，磷光分子源自三线态激子向基态的跃迁，具有优异的光物理行为。

所以，将圆偏振荧光（CPL）与 CPP 特性结合于同一材料，并实现 CPP 与 CPL 的同步调控（在目标波段具有相同或相反手性），不仅有助于拓展手性调控的自由度，还为应用集成提供了全新功能。

相关链接：https://www.nature.com/articles/s41467-023-41951-x

尽管如此，磷光材料仍存在半高宽（FWHM）较宽、色纯度较差等问题。此外，由于扭曲堆叠结构的设计空间极为丰富，传统依赖试错的实验方法往往耗时低效。因此，如何在无手性非晶薄膜中实现具备高 g(lum) 值（>1）、窄带发射和定制 CPP 性能的按需设计，仍是一项重大挑战。

在最新的研究中，该研究团队提出了一种基于大型语言模型（LLM）和迁移学习的策略来指导 CPP 薄膜的按需设计。

图示：在 LLM 和迁移学习的指导下，按需定制具有目标功能的 CPP 薄膜。（来源：论文）

首先，他们利用 LLM 寻找用于制备 CPP 材料的磷光分子。通过嵌入模型处理 500 多篇有关磷光材料的文章，建立文献文本向量数据库，之后由 LLM 通过检索增强生成（RAG）方法引用，使用提示词生成每篇文章的分子和性质摘要，LLM 用于总结和筛选文本，生成符合要求的分子列表。这里，研究人员从列表中手动选择了三种磷光分子。

其次，为了建立 CP P材料的结构与功能之间的关系，引入了机器学习。鉴于扭转堆叠结构的复杂性和设计空间的丰富性，建立结构/工艺参数与目标 CPP 性能之间的关系是一项挑战。

因此，利用迁移学习构建结构-功能关系，能够根据实验磷光光谱和结构/工艺参数准确地正向预测 CPP 性能，最终实现具有目标功能的 CPP 薄膜的逆向设计和定制制造。

图示：LLM 推荐和混合薄膜的 CPP 性能。（来源：论文）

论文中，研究人员证明了使用有限化学数据进行迁移学习的显著优势，它可以指导精确制造手性磷光薄膜，其具有高达 1.86 的高 glum、49 nm 的窄 FWHM 和定制的 CPP 性能以及整个可见光谱范围内的目标光谱位置。

此外，所提出的逆向设计能够灵活切换纯度高达 95% 的磷光颜色，实现多色显示，并能够从相同的磷光分子定制 CPL 和 CPP 性能（在目标光谱位置具有相同或相反的手性），为信息加密提供了一个维度。

图示：逆向设计和 4D 信息加密。（来源：论文）

研究人员在论文里表示，这些发现不仅为 CPP 材料的定制设计提供了可能，而且对于强调机器学习驱动的设计方法在功能材料开发中的前景也具有重要的基础价值。

注：头图由 Midjourney 生成。