网状材料（包括金属有机框架、共价有机框架和沸石咪唑酯框架）的结晶对于构建有序多孔结构至关重要，这些结构在水收集和CO2捕获等社会重要应用中发挥着关键作用。此外，结晶还使得通过单晶X射线衍射（SCXRD）实现原子级精确结构解析成为可能，从而深化了对结构-性能关系的理解，指导材料的进一步开发。然而，尽管网状化学已发展数十年，新框架的结晶过程仍主要依赖试错法。尽管可以基于网状合成的几何原理理性设计构建单元，但确定哪些组合能在何种特定条件下结晶，仍然高度依赖于经验性探索。这种低效性导致大量化学空间未被探索，不仅可能错失具有变革潜力的材料，也限制了对结晶景观的基础理解，阻碍了人类直觉和针对性机器学习预测模型的发展。系统性地探索这一空间，以在有限实验资源下最大化发现，构成了与传统合成优化截然不同的根本性挑战。
鉴于此，加州大学伯克利分校Zichao Rong与Omar Yaghi教授提出了名为“算法迭代网状合成”（AIRES）的循环系统，该体系整合了自动化合成、图像识别、单晶X射线衍射以及定制化算法决策，旨在最大化不同晶体的发现数量，而非优化单一目标。在沸石咪唑酯框架（ZIFs）上的实验表明，AIRES的发现效率是随机探索的两倍，成功将10种新连接体结晶为多样化的ZIF拓扑结构，并将单连接体Zn-ZIF材料库扩大了三分之一。通过将网状合成从经验性过程转变为系统性探索，AIRES为加速材料发现提供了可扩展且高效的蓝图。相关研究成果以题为“Algorithmic iterative reticular synthesis of zeolitic imidazolate framework crystals”发表在最新一期《nature synthesis》上。
值得一提的是，荣子超（Zichao Rong）是Prof. Omar Yaghi课题组的四年级博士生。他毕业于北京大学材料化学专业，期间从事电催化剂和电池电极新材料开发的研究。目前研究重点是通过高通量实验与机器学习的集成，加速新网状材料的发现。
【初始ZIF合成数据集的构建】
在AIRES系统中，首先通过自动化平台收集并标注了初始数据集。具体而言，反应在机器人平台上进行，产物经过光学成像以识别晶体，随后进行SCXRD分析和数据标注（图1a–d）。研究聚焦于由单一连接体构成的Zn-ZIFs，选用了8种起始连接体（包括IM、2mIM、2nIM等），它们在咪唑环上具有不同位置和类型的官能团。每种连接体与六水合硝酸锌在N,N-二甲基甲酰胺（DMF）中反应，参数空间包括总浓度、连接体与金属的对数比值和反应温度，共生成336组反应条件 per linker，总计2,688组反应。高通量实验平台包含反应/结晶和表征两个阶段：机器人液体处理系统制备反应混合物，在恒温烘箱中加热5天；初步筛选采用自动光学显微镜，识别出澄清溶液、沉淀或单晶三种结果。晶体识别基于几何形状、颜色均匀性和尺寸（最短维度约20 μm）等标准。
图 1. AIRES 循环及其组成部分的示意图
研究人员首先对光学图像进行二分类（晶体 vs 非晶体），随后使用EfficientNetV2-S卷积神经网络训练模型，其晶体检测召回率达到0.88，显示出高可靠性。尽管模型通过过滤无意义图像提高了筛选效率，专家仍需对模型识别的晶体候选进行SCXRD验证。例如，在bIM连接体案例中，SCXRD揭示了两种不同晶体形态：已知的ZIF-7和一种新的二维结构 Zn 3 (bIm) 6 (HCOO) 4 (DMF) 2 （图2b）。为高效整合SCXRD至高通量实验，研究采用了两种实用假设：形态相似的晶体来自同一连接体时结构相同；晶胞参数与已知ZIF匹配即归类为ZIF。最终，反应结果被标注为二值标签：“1”代表成功形成ZIF单晶，“0”代表其他结果。通过将二值结果投影至二维参数空间（图2c），可视化了各连接体复杂且各异的结晶区域，显示出非单调关系，突显了机器学习方法捕捉这些复杂规律的必要性。
图 2. 初始 ZIF 合成数据集
【机器学习引导的发现方法】
AIRES的发现方法将机器学习预测模型与自动化实验迭代结合（图1）。每一轮迭代包括三个步骤：模型引导选择有前景的候选、自动化合成与表征、整合新结果以优化预测。为评估该方法，研究从48种新连接体中筛选出符合条件的候选，排除了具有配位官能团或溶解性差的连接体。连接体结构通过四类特征进行编码：官能团数量、连接体尺寸、中性/去质子化连接体的量子力学性质，以及预核物种（Zn(II)与两个中性连接体和两个硝酸根配位）的量子力学性质（图3a）。主成分分析显示，咪唑类和苯并咪唑类连接体有一定聚类趋势，但前两个主成分仅解释50.8%的方差，表明化学空间复杂性高（图3b）。研究方法将结晶视为二值结果，结合预测模型（随机森林分类RFC和高斯过程分类GPC）与贪婪选择策略，始终选择预测成功概率最高的实验。一旦某连接体成功结晶，算法即排除其后续实验，将资源集中于未探索候选。理论分析和实证验证表明，该贪婪策略在晶体发现中优于传统优化方法。为充分利用高通量能力，研究还开发了批量选择算法，通过条件概率估计考虑实验间依赖关系，避免冗余。与随机搜索（RS）相比，AIRES（RFC）仅需约700次实验即发现所有新ZIF晶体，而RS需1,400次，效率提升一倍（图3c）。批量实验设置下，AIRES（RFC）同样保持高效，仅需RS一半实验即可达成相同发现数量（图3d）。对各成功连接体的发现实验分布分析显示，AIRES（RFC）通过模式识别加速了挑战性目标（如6mbIM）的发现，而2pIM因结构独特成为例外，RS表现更优（图3e）。
图 3. AIRES 在加速 ZIF 发现方面的表现
【发现的ZIF结构描述】
尽管ZIFs共享四面体构建单元几何，其网络拓扑多样，由三字母代码表示。通过AIRES，10种成功连接体产生了11种新晶体，分属7种不同拓扑（图4a）。其中包括前所未有的双fcs拓扑（ZIF-A6）以及此前仅能通过混合连接体方法获得的yth拓扑。AIRES的系统探索将过去20年发展的单连接体Zn-ZIF库扩大了三分之一，打破了长达十年的发现停滞。此外，RFC还识别出四种新连接体（2cbIM、2mbIM等），在发现所有ZIF晶体前生成了其他类型晶体，这些结构虽保持四面体锌配位，但配体竞争导致形成层状ZIFs（LZIFs）而非三维框架（图4b），表明机器学习捕捉了基本配位原理。
图 4. AIRES 通过新连接体发现的 ZIFs 和 LZIFs 的拓扑分类及晶体结构
【总结与展望】
AIRES展示了超越单连接体Zn-ZIFs的广泛潜力，可扩展至多连接体体系及其他结晶系统。其核心的贪婪算法具有通用性，但反应编码需领域定制。随着系统复杂化，需辅以PXRD等多模态表征以维持严谨性。在更广的发现生态中，AIRES兼具双重价值：其验证的结构是构建结构-性能关系模型的宝贵数据源；其输出成果可作为下游材料规模化开发的结构锚点。例如，它将发现的初始条件与模拟PXRD谱图结合，能助力相识别与纯度评估，进而驱动优化循环以提升结晶度，从而在材料发现与后续工艺优化之间建立起无缝桥梁。
热门跟贴