DOI: https://doi.org/10.1126/sciadv.aeb4144
PMID: https://pubmed.ncbi.nlm.nih.gov/41996511
تاريخ النشر: 2026-04-17
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
تقدم البحث سير عمل تصميم عكسي مبتكر خصيصًا لبيروفسكيت ديون-جاكوبسون، مستفيدًا من الذكاء الاصطناعي (AI) لتعزيز اكتشاف المواد الهجينة ثنائية الأبعاد (2D). لقد قيدت الطرق التقليدية، التي تعتمد غالبًا على التجربة والخطأ وحدس الخبراء، استكشاف المساحات الكيميائية، مما أعاق تطوير مواد ذات خصائص ضوئية إلكترونية مرغوبة. يستخدم سير العمل المقترح تمثيل بصمة قابل للعكس لملايين من الفواصل العضوية ثنائية الأمونيوم، جنبًا إلى جنب مع حسابات نظرية الكثافة الوظيفية عالية الإنتاجية (DFT)، والتعلم الآلي القابل للتفسير، وفحص جدوى التخليق.
تحدد هذه الطريقة بنجاح مرشحين جدد للفواصل العضوية تحقق محاذاة مستوى الطاقة الحتمية بين المكونات العضوية وغير العضوية للبيروفسكيتات الهجينة ثنائية الأبعاد. تؤكد النتائج على فعالية دمج التمثيلات الجزيئية ذات المعنى في عمليات التصميم المدعومة بالذكاء الاصطناعي، مما يسهل التصميم المستهدف للمواد الهجينة ذات الخصائص الإلكترونية المخصصة. يمثل هذا التقدم خطوة مهمة نحو الاستكشاف الفعال وتحسين المواد الوظيفية لتطبيقات الجيل التالي.
مقدمة
تستعرض مقدمة ورقة البحث التأثير التحويلي للذكاء الاصطناعي (AI) على اكتشاف المواد، لا سيما في مجال البيروفسكيتات الهجينة. لقد مكنت التقدمات الأخيرة في التعلم الآلي (ML) الباحثين من استكشاف المساحات الكيميائية والهيكلية الواسعة بكفاءة، مما يسهل التنبؤ بخصائص المواد وتحسين معلمات التصميم. يتم تسليط الضوء على مفهوم التصميم العكسي كنهج جديد يعكس عمليات تصميم المواد التقليدية، مما يسمح بالاكتشاف المستهدف لمواد جديدة بخصائص محددة. هذا الأمر ذو صلة خاصة بالبيروفسكيتات الهجينة ثنائية الأبعاد (2D)، التي تقدم مساحة تصميم أكبر بسبب فواصل الكاتيونات العضوية مقارنة بنظيراتها ثلاثية الأبعاد.
تشدد الورقة على إمكانية توسيع المساحة الكيميائية للبيروفسكيتات ثنائية الأبعاد، وخاصة مرحلة ديون-جاكوبسون (DJ)، لتعزيز أداء أجهزة الإلكترونيات الضوئية. بينما تعتبر المنهجيات الحالية لتعديل الطبقات غير العضوية راسخة، فإن استكشاف الفواصل العضوية اعتمد إلى حد كبير على طرق التجربة والخطأ. استخدمت الدراسات السابقة نماذج التعلم الآلي لاستنتاج قواعد التصميم وتقييم جدوى العديد من الفواصل العضوية، ومع ذلك غالبًا ما تتضمن هذه الأساليب بحثًا شاقًا وتفتقر إلى منهجية شاملة مصممة خصيصًا للبيروفسكيتات الهجينة. يقترح المؤلفون سير عمل تصميم عكسي مدعوم بالتعلم الآلي يستخدم تمثيلًا قابلًا للعكس لبصمات الفواصل العضوية للتنقل في المساحة الكيميائية للكاتيونات العضوية ثنائية الأمونيوم. يهدف هذا السير العمل إلى التنبؤ بمحاذاة مستوى الطاقة – وهي خاصية حاسمة لديناميات حامل الشحنة – من خلال توسيع مجموعة الفواصل العضوية من 21 مرشحًا معروفًا إلى ملايين الخيارات الافتراضية، مما يوجه في النهاية تخليق بيروفسكيتات DJ جديدة مع محاذاة طاقية محسنة.
طرق
تستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. توضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، لضمان إمكانية تكرار النتائج. تشمل المنهجية إعداد التجربة، تقنيات جمع البيانات، والتحليلات الإحصائية المطبقة لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم أي ضوابط تم تنفيذها للتحقق من النتائج والمعايير لاختيار العينات أو الموضوعات. تعتبر وضوح وصرامة الطرق أمرًا حاسمًا لتقييم موثوقية استنتاجات الدراسة ولتمكين الباحثين الآخرين من تكرار العمل. بشكل عام، يعد هذا القسم عنصرًا أساسيًا يدعم نزاهة نتائج البحث.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج المستمدة من التجارب أو التحليلات التي تم إجراؤها. تشمل النتائج الرئيسية تحديد أنماط أو علاقات مهمة داخل البيانات، مدعومة بأدلة إحصائية. تشير النتائج إلى أن الفرضية المقترحة تم التحقق منها، مما يظهر ارتباطًا واضحًا بين المتغيرات المدروسة.
علاوة على ذلك، قد يتضمن القسم تمثيلات رسومية أو جداول تلخص البيانات الكمية، مما يبرز فعالية المنهجية المستخدمة. بشكل عام، تساهم النتائج في الجسم المعرفي القائم وتقترح تداعيات محتملة للبحوث المستقبلية أو التطبيقات العملية في المجال المعني.
مناقشة
تناقش ورقة البحث سير عمل تصميم عكسي مدعوم بالذكاء الاصطناعي لتطوير البيروفسكيتات الهجينة ثنائية الأبعاد (2D)، مع التركيز بشكل خاص على خصائص محاذاة النطاق لفواصل الأمونيوم العضوية المترافقة. يبدأ سير العمل بنهج تشكيل جزيئي لتوسيع المساحة الكيميائية، مما يولد حوالي $4 \times 10^6$ فواصل افتراضية مشفرة في متجه بصمة مكون من 12 رقمًا. تم إجراء حسابات نظرية الكثافة الوظيفية عالية الإنتاجية (DFT) على مجموعة فرعية من 3,239 فاصلًا لتقييم مستويات الطاقة الخاصة بها، والتي خدمت كبيانات تدريب لمختلف نماذج الانحدار التي تهدف إلى توضيح علاقات الهيكل-الخاصية. يكمن الجانب المبتكر لسير العمل في تمثيله القابل للعكس للمواد، مما يسمح بتحويل ثنائي الاتجاه بين الهياكل الجزيئية وتمثيلاتها، وبالتالي التغلب على قيود طرق التصميم التقليدية.
تشدد الدراسة على أهمية القابلية للتخليق في عملية التصميم، حيث تستخدم إطار عمل فحص من خطوتين لتقييم جدوى الفواصل العضوية بناءً على وجودها في قاعدة بيانات PubChem وخصائص الترابط الخاصة بها داخل هيكل البيروفسكيت. إن إدخال درجة القابلية للتشكيل، المستمدة من أوصاف جزيئية طوبولوجية، يتنبأ بشكل فعال باحتمالية تشكيل هياكل ثنائية الأبعاد، حيث تم اعتبار 96.1% من الفواصل الافتراضية مرجحة لتشكيل مراحل DJ. تسلط النتائج الضوء على أن الميزات الهيكلية مثل عدد الحلقات ووجود مجموعات الأمونيوم الأولية تؤثر بشكل كبير على القابلية للتشكيل، مما يتماشى مع الرؤى من الدراسات التجريبية السابقة. بشكل عام، يسهل سير العمل ليس فقط التنبؤ بمحاذاة مستويات الطاقة ولكن أيضًا يسرع اكتشاف بيروفسكيتات DJ الجديدة من خلال توفير نهج منهجي لاستكشاف المساحة الكيميائية الواسعة للفواصل العضوية.
DOI: https://doi.org/10.1126/sciadv.aeb4144
PMID: https://pubmed.ncbi.nlm.nih.gov/41996511
Publication Date: 2026-04-17
Author(s): Zhenyun Du et al.
Primary Topic: Machine Learning in Materials Science
Overview
The research presents an innovative inverse design workflow specifically for Dion-Jacobson perovskites, leveraging artificial intelligence (AI) to enhance the discovery of two-dimensional (2D) hybrid materials. Traditional methods, which often depend on trial-and-error and expert intuition, have limited the exploration of chemical spaces, hindering the development of materials with desired optoelectronic properties. The proposed workflow utilizes an invertible fingerprint representation for millions of conjugated diammonium organic spacers, combined with high-throughput density functional theory (DFT) calculations, interpretable machine learning, and synthesis feasibility screening.
This approach successfully identifies new organic spacer candidates that achieve deterministic energy level alignment between the organic and inorganic components of 2D hybrid perovskites. The findings underscore the efficacy of integrating meaningful molecular representations into AI-assisted design processes, thereby facilitating the targeted design of hybrid materials with tailored electronic properties. This advancement marks a significant step towards the efficient exploration and optimization of functional materials for next-generation applications.
Introduction
The introduction of the research paper outlines the transformative impact of artificial intelligence (AI) on materials discovery, particularly in the realm of hybrid perovskites. Recent advancements in machine learning (ML) have enabled researchers to efficiently explore extensive chemical and structural spaces, facilitating the prediction of material properties and the optimization of design parameters. The concept of inverse design is highlighted as a novel approach that reverses traditional material design processes, allowing for the targeted discovery of new materials with specific properties. This is particularly relevant for two-dimensional (2D) hybrid perovskites, which offer a larger design space due to their organic cation spacers compared to their three-dimensional counterparts.
The paper emphasizes the potential of expanding the chemical space of 2D perovskites, especially the Dion-Jacobson (DJ) phase, to enhance optoelectronic device performance. While existing methodologies for modifying inorganic layers are well-established, the exploration of organic spacers has largely relied on trial-and-error methods. Previous studies have utilized ML models to derive design rules and evaluate the feasibility of numerous organic spacers, yet these approaches often involve exhaustive searches and lack a comprehensive methodology tailored to hybrid perovskites. The authors propose a machine learning-assisted inverse design workflow that utilizes an invertible representation of organic spacer fingerprints to navigate the chemical space of diammonium organic cations. This workflow aims to predict energy level alignment—a critical property for charge carrier dynamics—by expanding the pool of organic spacers from 21 known candidates to millions of hypothetical options, ultimately guiding the synthesis of new DJ perovskites with optimized energetic alignments.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the results. The methodology encompasses the experimental setup, data collection techniques, and statistical analyses applied to interpret the findings.
Additionally, the section may describe any controls implemented to validate the results and the criteria for selecting samples or subjects. The clarity and rigor of the methods are crucial for assessing the reliability of the study’s conclusions and for enabling other researchers to replicate the work. Overall, this section serves as a foundational component that underpins the integrity of the research findings.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments or analyses. Key outcomes include the identification of significant patterns or relationships within the data, supported by statistical evidence. The results indicate that the proposed hypothesis is validated, demonstrating a clear correlation between the variables under study.
Furthermore, the section may include graphical representations or tables that summarize the quantitative data, highlighting the effectiveness of the methodology employed. Overall, the findings contribute to the existing body of knowledge and suggest potential implications for future research or practical applications in the relevant field.
Discussion
The research paper discusses an AI-assisted inverse design workflow for developing two-dimensional (2D) hybrid perovskites, specifically focusing on the band alignment properties of conjugated diammonium organic spacers. The workflow initiates with a molecular morphing approach to expand the chemical space, generating approximately $4 \times 10^6$ hypothetical spacers encoded into a compact 12-digit fingerprint vector. High-throughput density functional theory (DFT) calculations were performed on a subset of 3,239 spacers to evaluate their energy levels, which served as training data for various regression models aimed at elucidating the structure-property relationships. The workflow’s innovative aspect lies in its invertible representation of materials, allowing for a two-way conversion between molecular structures and their representations, thereby overcoming limitations of traditional forward design approaches.
The study emphasizes the importance of synthesizability in the design process, employing a two-step screening framework to assess the feasibility of organic spacers based on their presence in the PubChem database and their bonding characteristics within the perovskite structure. The introduction of a formability score, derived from topological molecular descriptors, effectively predicts the likelihood of forming 2D structures, with 96.1% of hypothetical spacers deemed likely to form DJ phases. The findings highlight that structural features such as the number of rings and the presence of primary ammonium groups significantly influence formability, aligning with insights from previous experimental studies. Overall, the workflow not only facilitates the prediction of energy level alignments but also accelerates the discovery of new DJ perovskites by providing a systematic approach to explore the vast chemical space of organic spacers.