物理性能优异的分子晶体材料可以应用在如气体储存与分离等诸多领域，然而分子晶体领域的设计更多依赖于经验。在前期关于绘制能量-结构-性能图进行晶体结构预测（Nature, 2017, 543, 657）的研究基础上，针对传统晶体预测结果给出数以万计的可能结构致使三者关系难以解读，以及所预测结果无法跨分子进行比较的问题，团队研发人员在本工作中进一步延伸拓展了上述方法。以氢键有机框架结构为例，新方法首先对一系列的能量-结构-性能图进行了更加详尽的刨析，找出最有潜力的分子及类型并分析原因，在此基础上结合机器学习的方法，对ESF图中的高维数据进行了无监督学习型分类与降维可视化。这种更加通用、便捷的工作流程可以系统性的从高维数据中直接筛选出代表性结构，从而使研究人员可以直接在极其复杂的ESF图上进行导航搜索，发现能量有利或性能优异的分子晶体结构，同时可视化的预测、揭示复杂的结构-性能相关性。本研究同时开发了一种开源的交互式可视化工具，为检索与分析晶体结构提供了有力保障。结合以上探索，团队研发人员在研究中成功预测了一种超低物理密度的分子晶体。该工作为计算机探索、研发功能性分子晶体材料提供了新方法和新方向，同时为推进该领域未来的全自动化提供了新的思路。
上述研究工作主要由我校赵成蹊博士在安迪?库伯教授和陈林江研究员及南安普顿大学Graeme Day教授的指导下以CSC资助交流博士生身份完成。研究得到了我校刘洪来教授，卢运祥教授，我校校友、利物浦大学吴晓锋研究员，以及利物浦大学车瑜和庞中孚博士的指导和帮助。该工作获得了Leverhulme研究中心、费林加诺贝尔奖科学家联合研究中心、国家自然科学基金以及国家留学基金委的相关科研资金支持。该工作展示了我校CSC《精准化学和分子工程国际化研究领军人才培养项目》在培养高水平国际化人才和孵育具有重大国际影响力的原创性成果方面的巨大潜力。
原文链接：https://www.nature.com/articles/s41467-021-21091-w
