Nat. Commun. 全面解读：大湾区大学-夏广杰团队︱多模态深度学习逆向设计高glum偏振发光材料

一、研究背景：

圆偏振发光（circularly polarized luminescence, CPL）材料能够直接发射左旋或右旋圆偏振光，在先进光子显示、量子通信、生物成像、手性识别与信息加密等领域具有重要应用前景。发光不对称因子glum，是衡量 CPL 圆偏振纯度的关键指标，通常glum越高，说明材料左右圆偏振发光强度差异越显著，手性光学响应越强。目前多数有机或有机‑无机杂化手性发光体的|glum|小于0.1，全无机手性发光体更是极少超过0.1。基于液晶、纤维素等的手性模板体系虽可以获得较高的|glum|，但存在合成复杂、稳定性差、器件适配性差等问题。全无机手性模板（如TiO₂纳米螺旋）具有结构稳健、可规模化制备的优势，但基于此方法开发的CPL材料性能受到手性模板结构、发光层生长、壳层厚度、沉积角度、前驱体浓度、浸泡时间、微纳形貌以及光谱响应等多因素共同影响。传统实验优化主要依赖经验试错，需要在庞大的制备参数空间中逐步筛选，不仅周期长、成本高，而且难以捕捉“制备条件—微观结构—光学性能”之间复杂的非线性关系。因此，如何在有限实验数据条件下，利用人工智能方法整合多源表征信息，并进一步实现高性能 CPL 材料逆向设计，成为该领域亟需解决的重要问题。

图1 四种手性发光体产生的绿色圆偏振发光（CPL）的|glum|总结

二、文章简介：

该研究提出了一种通过大掠角沉积技术（GLAD）制备手性TiO₂纳米螺旋螺旋，并保形涂覆非手性钙钛矿CsPbBr₃/Cs₄PbBr₆壳层，成功实现手性传递并产生绿色CPL的方法。并基于手工多参数优化的复杂性，提出了面向圆偏振发光材料优化的少样本多模态深度学习框架OptiCPL。

研究团队首先以手性 TiO2纳米螺旋作为手性模板，在其表面原位生长钙钛矿发光层，构筑了全无机手性核壳纳米发光结构。该体系通过 TiO2纳米螺旋向钙钛矿发光层传递手性，从而诱导产生 CPL 信号。经人工优化制备流程后，该全无机体系的glum可达到 0.20。

在此基础上，研究团队进一步开发了 OptiCPL 框架，将光谱特征（包含消光、圆二色、PL以及CPL）与形貌特征（SEM图像）共同输入深度学习模型，学习复杂实验条件下 CPL 性能的决定因素。通过模型预测与实验验证相结合，OptiCPL 成功将glum从人工优化的 0.20 提升至 0.35。更进一步，该模型还被迁移至F8BT基有机发光体系，实现了glum= 0.87的高CPL 性能。这一工作为高性能CPL材料的快速优化和跨体系迁移提供了全新范式。

相关研究成果以“Multimodal deep-learning optimization of chiroptical properties in all-inorganic perovskite-coated TiO₂nanohelices and inverse-design transfer to organic chiral luminophores”为题发表在Nature Communications。文章于 2026 年 6 月 4 日在线发表，香港中文大学在读博士生孙海峰和张逸伦（大湾区大学联合培养）为共同第一作者，大湾区大学夏广杰研究员与香港中文大学黄陟峰副教授为共同通讯作者。

三、研究内容：

1. 构筑全无机手性核壳结构纳米发光体

该研究首先从材料设计出发，选择具有明确手性几何结构的TiO2纳米螺旋作为手性模板。TiO2纳米螺旋本身提供了稳定的无机手性骨架，而外层包覆的钙钛矿则提供高效发光能力。通过将非手性钙钛矿发光层沉积在手性TiO2纳米螺旋表面，研究团队构筑了全无机手性核壳纳米发光结构。

这一设计的关键在于“手性传递”。也就是说，TiO2纳米螺旋并非单纯作为惰性支撑结构，而是通过其螺旋形貌和手性光学响应，将手性信息传递至外层钙钛矿发光体，使原本非手性的发光层产生 CPL 信号。该策略将无机手性结构与高发光效率钙钛矿材料相结合，为构筑高稳定性全无机CPL 材料提供了新的结构设计思路。

图2. TiO₂NHs@CsPbBr3/Cs4PbBr6 全无机手性纳米发光体制备及表征

2. 从人工优化到 AI-guided inverse design

传统 CPL 材料优化从实验参数出发，通过逐步调整沉积角度、沉积速率、前驱体浓度、浸泡时间等条件，观察最终glum的变化。这种方法虽然直观，但面对多变量耦合时效率较低。尤其在核壳纳米结构中，任一参数变化都可能同时影响壳层厚度、晶体生长、表面形貌、吸收–发光匹配以及手性传递效率，因此很难通过单因素控制获得全局最优解。

图2. TiO₂NHs@CsPbBr3/Cs4PbBr6 全无机手性纳米发光体的人工性能优化

这里手动考察了沉积角α、沉积速率R_d、螺距P（100–650 nm）、圈数n（1–8）、前驱体浓度（4–30 mmol/L）和浸泡时间t_s（3–6 h）对|glum|的影响。例如，固定[CsBr]=[PbBr₂]=4 mmol/L、t_s=5 h时，|glum|在P=300 nm处出现峰值（约0.13）；固定P=314 nm、t_s=5 h时，|glum|随浓度先增后降，8 mmol/L时最佳；固定P>400 nm、浓度6 mmol/L时，|glum|在t_s=4 h处达峰。最终手动优化的最佳|glum|=0.20。但各参数之间存在较强的耦合（如最佳浓度依赖螺距），难以人工进行逐个参数的优化。

3. 建立少样本多模态 OptiCPL 深度学习框架

CPL 材料优化的难点在于实验变量多、样本数量有限、结构与性能之间关系高度非线性。为此，本研究构建了 OptiCPL 少样本多模态深度学习框架，将不同层次的信息整合到统一模型中，包括材料形貌、光谱响应以及目标glum。

在形貌模态方面，SEM 图像能够反映纳米螺旋结构、核壳包覆状态、微观形貌一致性以及样品局部结构差异。在光谱模态方面，CD、PL、extinction 以及glum相关光谱能够表征材料的吸收、发光和手性光学响应，隐式地包含了纳米结构与光相互作用的深层机理。OptiCPL 的核心思想是通过多模态学习同时捕捉“形貌结构信息”和“光谱物理化学信息”，从而更准确地预测和优化 CPL 性能。其将 CPL 材料开发从“正向试错优化”推进到“目标导向逆向设计”。具体而言，模型并不是仅仅预测某一组实验条件对应的glum，而是进一步利用目标glum来重构与之匹配的形貌和光谱潜在表示，并通过训练好的回归模块输出可实验验证的制备参数组合。这样，实验人员可以从期望获得的 CPL 性能出发，反向推断更可能实现该性能的合成条件。

这种逆向设计策略对于材料开发尤其重要，在运用人工智能辅助材料开发时，很难像图像识别或自然语言处理那样获得大规模数据集，因此模型必须在有限数据条件下充分挖掘每个样本所携带的结构、光谱和性能信息。OptiCPL 通过多模态表征学习大大提高了数据利用效率，使 AI 能够真正参与实验设计，而不仅是对已有实验结果进行事后拟合。

图3. OptiCPL模型架构

4. 跨材料体系迁移至 F8BT 有机手性发光体

更值得关注的是，该工作并未停留在单一全无机体系，而是进一步验证了 OptiCPL 的跨体系迁移能力。作者将OptiCPL应用于R/S‑5011/F8BT聚合物手性发光体系（数据集共168次实验，经手动优化后达到的|glum|=0.50）。其中模型架构不需要修改，仅重新利用新数据集训练即可。

这一结果具有重要意义。全无机钙钛矿 core@shell 体系与 F8BT-based organic chiral luminophores 在材料组成、微观结构、发光机制和组装行为上均存在明显差异。如果一个模型只能在单一数据集内部拟合性能，那么它的应用价值相对有限；而 OptiCPL 能够迁移至有机手性发光体系，说明该框架学习到的不只是某一批实验样本的经验规律，而是具有一定泛化能力的“形貌–光谱–CPL 性能”关联表示。

将 OptiCPL 从全无机体系扩展到有机手性发光体，不仅增强了该框架的普适性，也为后续面向不同 CPL 平台的 AI-guided materials design 提供了重要依据。

图4. OptiCPL的umap可视化及两种体系下经实验验证的优化结果。

4.结论与展望：

本文通过大掠角沉积技术制备手性TiO₂纳米螺旋，并保形涂覆非手性全无机钙钛矿CsPbBr₃/Cs₄PbBr₆，成功构建了全无机手性核壳纳米发光体，实现手性传递并产生绿色CPL。针对多参数耦合导致的优化难题，开发了多模态深度学习框架OptiCPL，融合SEM图像与光学光谱，通过小样本学习将|glum|从0.20提升至0.35。该模型无需修改架构，可迁移至有机手性发光体系（R/S‑5011/F8BT），将|glum|提升至0.87。这项工作不仅提供了一种高性能全无机手性发光体的构建策略，更展示了一个通用、可迁移的深度学习平台，可加速手性光功能材料的发现与优化。

5.致谢：

本研究的计算资源由大湾区大学松山湖高性能计算中心（Songshan Lake HPC Center, SSL-HPC）和东莞市先进材料人工智能设计重点实验室（Dongguan Key Laboratory of Artificial Intelligence Design for Advanced Materials, LAIDAM）提供。该研究获得 RGC/YCRG/C4005-22Y、NSFC/RGC-JRS/N_CUHK 4116/25、广东省基础与应用基础研究基金（2024A1515140163）以及国家自然科学基金（22203041）等项目支持

Authors:Haifeng Sun#, Yilun Zhang#, Xiao Chen, Wentao Wang, Guang-Jie Xia*, Zhifeng Huang*.（第一作者标记#，通讯作者标记*）

Title:Multimodal deep-learning optimization of chiroptical properties in all-inorganic perovskite-coated TiO2 nanohelices and inverse-design transfer to organic chiral luminophores

Published in:Nature Commnunications, doi: 10.1038/s41467-026-74010-2

https://doi.org/10.1038/s41467-026-74010-2

大湾区大学夏广杰研究员（PI）课题组长期从事基于DFT与AIMD的固/液界面催化研究，近期也在机器学习原子间作用势(MLIP)、AI+材料领域取得创新成果。课题组长期招收以上方向的博士后、博士研究生（GBU-CUHK联培）、硕士研究生（GBU-SUSTech联培），有意者请发邮件至xiagj@gbu.edu.cn。

学术交流QQ群

知光谷光伏器件学术QQ群：641345719

钙钛矿产教融合交流@知光谷（微信群）：需添加编辑微信

为加强科研合作，我们为海内外科研人员专门开通了钙钛矿科创合作专业科研交流微信群。加微信群方式：添加编辑微信pvalley2024，备注：姓名-单位-研究方向（无备注请恕不通过），由编辑审核后邀请入群。