Nat Synth：程冲/李爽/汪茂/Arne Thomas通过机器学习加速开发仿生光合成共价有机框架

背景：过氧化氢（H₂O₂）是一种重要的环境友好型氧化剂和潜在能源载体，其传统工业生产方法能耗高且污染大，而基于光催化合成水、氧气和太阳光的路径更具可持续性。共价有机框架（COFs）材料因其可调结构被视为理想的光催化平台，但现有材料性能普遍受限，且传统试错法效率低下，机器学习方法又面临数据稀缺和结构表征复杂等挑战。研究目的：为了克服这些瓶颈，研究团队旨在开发一种名为“信息共进化”的机器学习计算策略，以加速高性能仿生光合成COFs材料的发现与设计。结论：该策略通过数据增强和跨层次特征融合，有效提升了模型预测精度，成功从万余种候选结构中筛选出如COF-343等高产率材料，其H₂O₂光合作用速率显著优于多数已知材料，并揭示了关键结构特征与性能的构效关系，为新材料理性设计提供了新范式。