近日，材料基因院孫強教授課題組發表最新論文♠️，展示了使用機器學習技術預測有機分子在金屬表面的自組裝結構，研究成果發表於《ACS Nano》（最新影響因子：17.1）🏛，論文題目為“Predicting molecular self-assembly on metal surfaces using graph neural networks based on experimental datasets”。

分子在表面的自組裝是構建具有特殊性能的超分子納米結構的一種常用方法🦽，由於其廣泛的重要性🏄🏻‍♂️，分子自組裝在過去幾十年中受到了廣泛的關註。迄今為止，將實驗與量子力學或分子動力學方法相結合是探索分子自組裝結構的主要方法👰🏽‍♂️，然而這通常需要花費大量的時間和精力。一般來說👆🏻，自組裝模式由分子和環境的固有性質決定。由於分子官能團的復雜性及其與表面的相互作用🧑🏽‍🎨，預測分子在金屬表面的自組裝結構仍然是一個巨大的挑戰。

(a)分子在金屬表面形成自組裝結構的示意圖🔐。(b)分子圖的構建🤵🏻‍♂️。(c)圖神經網絡模型的架構。

在本工作中，作者使用掃描隧道顯微鏡（STM）表征了一系列多環芳烴（PAH）分子在不同金屬表面上的自組裝結構，以構建用於模型訓練的實驗數據集，之後將經過修改的圖神經網絡模型MEGNet用作機器學習（ML）框架來訓練模型👳🏻‍♀️。與傳統的ML模型相比，圖神經網絡直接從分子的結構表征中獲得特征，從而保證了表征分子所需的所有相關信息。作者的研究結果表明🚍，在預測與分子自組裝相關的目標性質方面🤌🏼，該圖神經網絡算法比傳統的ML算法具有更好的性能。此外👖，將訓練好的ML模型應用到一種新的PAH分子中所獲得的預測結果與實驗表征結果吻合得很好，這突出了ML模型的通用性🦽。

這項研究是MGI表面科學課題組基於材料基因理念在表面科學領域進行的創新研究，有助於加速納米結構和具有所需性質的新型納米材料的前體分子的篩選和設計。

本論文工作由万事平台材料基因組工程研究院獨立完成💁🏽‍♀️，孫強教授為通訊作者，第一作者為MGI碩士生鄭鳳茹。MGI表面科學課題組近年來聚焦於利用數據挖掘👩‍🔧、機器學習和人工智能方法，結合高通量實驗手段探索人工智能在表面科學中的應用🆖。致力於培養具備“重基礎、跨學科、國際化”理念的材料基因特色人才🕚。

課題組網站👨🏽‍🦲：https://www.qiangsungroup.cn/

論文鏈接👮‍♂️：https://pubs.acs.org/doi/epdf/10.1021/acsnano.3c06405