近日，我院孙强教授课题组发表最新论文，展示了使用机器学习技术预测有机分子在金属表面的自组装结构，研究成果发表于《ACS Nano》（最新影响因子：17.1），论文题目为“Predicting molecular self-assembly on metal surfaces using graph neural networks based on experimental datasets”。
分子在表面的自组装是构建具有特殊性能的超分子纳米结构的一种常用方法，由于其广泛的重要性，分子自组装在过去几十年中受到了广泛的关注。迄今为止，将实验与量子力学或分子动力学方法相结合是探索分子自组装结构的主要方法，然而这通常需要花费大量的时间和精力。一般来说，自组装模式由分子和环境的固有性质决定。由于分子官能团的复杂性及其与表面的相互作用，预测分子在金属表面的自组装结构仍然是一个巨大的挑战。
(a)分子在金属表面形成自组装结构的示意图。(b)分子图的构建。(c)图神经网络模型的架构。
在本工作中，作者使用扫描隧道显微镜（STM）表征了一系列多环芳烃（PAH）分子在不同金属表面上的自组装结构，以构建用于模型训练的实验数据集，之后将经过修改的图神经网络模型MEGNet用作机器学习（ML）框架来训练模型。与传统的ML模型相比，图神经网络直接从分子的结构表征中获得特征，从而保证了表征分子所需的所有相关信息。作者的研究结果表明，在预测与分子自组装相关的目标性质方面，该图神经网络算法比传统的ML算法具有更好的性能。此外，将训练好的ML模型应用到一种新的PAH分子中所获得的预测结果与实验表征结果吻合得很好，这突出了ML模型的通用性。
这项研究是MGI表面科学课题组基于材料基因理念在表面科学领域进行的创新研究，有助于加速纳米结构和具有所需性质的新型纳米材料的前体分子的筛选和设计。
本论文工作由上海大学材料基因组工程研究院独立完成，孙强教授为通讯作者，第一作者为MGI硕士生郑凤茹。MGI表面科学课题组近年来聚焦于利用数据挖掘、机器学习和人工智能方法，结合高通量实验手段探索人工智能在表面科学中的应用。致力于培养具备 “重基础、跨学科、国际化”理念的材料基因特色人才。
课题组网站：https://www.qiangsungroup.cn/
论文链接：https://pubs.acs.org/doi/epdf/10.1021/acsnano.3c06405