四川大学，Nature Synthesis！

本文背景聚焦于过氧化氢（H₂O₂）作为一种重要的环境友好型氧化剂和能源载体，其传统工业生产方法（如蒽醌法）存在高能耗和环境负担问题，而光催化合成技术被视为一种可持续的替代方案。然而，传统光催化剂在H₂O₂光合作用中面临光吸收范围窄和电荷分离效率低等挑战。研究目的是开发一个名为“信息协同演化”的综合计算框架，通过整合数据增强、集成建模和跨层级特征融合等机器学习策略，以加速发现用于高效H₂O₂光合作用的共价有机框架（COF）光催化剂。该框架成功将预测模型的验证均方根误差从4.70降至3.31，并从超过10,000个候选结构中筛选出高性能COFs，例如COF-343实现了12,978.7 μmol·h⁻¹·g⁻¹的H₂O₂光合速率。结论表明，该机器学习框架不仅提升了预测精度和模型可解释性，揭示了影响光催化性能的关键结构基元，而且通过实验验证证明了其在新化学空间中的卓越泛化能力，为超越传统试错法的COF光催化剂理性设计提供了有力支撑。