基于机器学习引导的 DNA 无机纳米颗粒多尺度设计用于靶向自组装双 gyroid 结构

在软物质科学中，人们常希望设计具有特定目标性质的新材料。这些材料可用于许多应用，每个应用都需要针对最大适配度进行特定特征的优化。自组装过程——从 suitably 设计的构建块实现目标结构——是一种强大的优化工具。然而，如何一般性地设计可实现的构建块以实现所需相仍是一个开放问题。本文选择双 gyroid 作为目标结构，将 DNA 功能化纳米颗粒作为构建块。借助现有的偶-偶势为灵感，定义了大范围的设计空间用于探索目标结构。实现了有效的搜索策略：首先用于粗化原细粒度模型的构建块，然后快速评估每个设计的适配度。将这些数据输入机器学习算法，通过主动学习循环获得对设计空间中所有候选方案的预测。识别出成功的粗化设计，并通过细粒度模型中的界面固定计算进行再评估。这一工作导致开发了特定的、可实验验证的 DNA 功能化纳米颗粒的设计，这些设计可自组装形成目标相。所用方法可扩展到其他类型的构建块和目标结构。