人工智能驱动的碳捕集聚合物膜自动化发现

利用人工智能（AI）生成分子有望彻底改变材料发现。潜在应用涵盖强效药物的开发到高效的碳捕集与分离技术。然而，现有计算框架缺乏在中尺度上自动创建训练数据并进行物理性能验证的能力，而复杂非晶材料的性质正是在中尺度上涌现的。这些方法论上的空白迄今将 AI 设计局限于小分子应用。在此，我们报道了首个通过逆向分子设计实现的复杂材料自动化发现，该设计以中尺度目标特征和工艺优值为指导。我们进入了新的发现范式，通过计算生成并验证了数百个面向燃烧后二氧化碳过滤应用的聚合物候选材料。具体而言，我们验证了从训练数据集创建、基于图的优化单体单元生成式设计，到气体透过聚合物膜的分子动力学模拟的每一个发现步骤。对于后者，我们设计了一个代表性单元体（REV），使得渗透模拟的体积达到单个 AI 生成单体的约 1,000 倍，并获得了定量一致的结果。在标准计算环境下，每个聚合物候选材料的发现到验证时间约为 100 小时，为实验验证前提供了一种计算筛选替代方案。