AI 快速设计出数百万个以前未发现的分子，为未来电子产品开辟道路

telegram批量拉人（www.tel8.vip）是一个Telegram群组分享平台。telegram批量拉人包括telegram批量拉人、telegram群组索引、Telegram群组导航、新加坡telegram群组、telegram中文群组、telegram群组（其他）、Telegram 美国 群组、telegram群组爬虫、电报群 科学上网、小飞机 怎么 加 群、tg群等内容。telegram批量拉人为广大电报用户提供各种电报群组/电报频道/电报机器人导航服务。

人工智慧正在改变现代电子产品——加速可弯曲电视萤幕、超轻型革命性太阳能电池等的设计。 

具有定制特性的分子和材料的设计具有挑战性，因为候选分子必须满足通常难以测量或计算的多种竞争要求。虽然透过生成式深度学习产生的分子结构将满足这些模式，但它们通常只是偶然而非设计地拥有特定的目标属性，这使得透过这种途径进行分子发现效率低下。 

近日，来自英国华威大学（University of Warwick）和德国莱比锡大学（Universität Leipzig）的研究人员使用一种人工智慧演算法来创造新分子。该演算法能够透过在电脑上逐个原子地构建，来快速设计出数百万个以前未发现的分子。 

研究人员透过将预测分子3D构象的生成式深度学习模型与将这些作为输入并预测其电子结构的监督深度学习模型相结合来预测具有（帕雷托）最优特性的分子。（多个）分子特性的最佳化是透过筛选新产生的分子以获得所需的电子特性并重新使用命中分子来重新训练具有偏差的生成模型来实现的。 

该方法被证明可以找到有机电子应用的最佳分子。所提方法具有普遍适用性，无需在预测过程中进行量子化学计算，适用于材料和催化剂设计中的高通量筛选。 

该研究以「High-throughput property-driven generative design of functional organic molecules」为题，于 2023 年 2 月 6 日发表在《Nature Computational Science》上。 

▲ 论文连结：High-throughput property-driven generative design of functional organic molecules

寻找新的功能分子和材料，通常会因必须同时满足多个标准而变得复杂。同时多属性最佳化可以被认为是分子和材料设计中的圣杯。 

更好地了解分子中的官能团如何改变其物理化学性质，至少在原则上有助于促进设计研究。然而，由多达 10^60 个有机分子组成的化学空间的组合复杂性和许多必须考虑的许多因素，往往使这个问题对于传统最佳化和基本启发式推理来说过于复杂。在开发具有特定属性要求的新分子和材料时，基于简单结构-属性关系和试错最佳化的候选者辨识仍然是最先进的。 

有机光电子学是研究发光或探测光的设备的一个研究领域。新型有机电子材料发挥作用的例子包括可持续能源（太阳能电池）、有机发光二极体、电信、智慧型设备中的显示器和光纤等。 

有机薄膜器件，由多个有机层组成，具有不同的定制性质。为薄膜器件提供新的分子材料，它们的电子性质，如基本间隙(ΔE)、电子亲和势(EA)或电离势(IP)，必须在一个狭窄的视窗内，以满足设备功能的要求。