生成式人工智能（AI）為化學研究中的按需設計描繪了一幅美麗的藍圖。然而，由于大多數化學描述符在數學上是離散的或不連續(xù)可調的，少數幾代成功的化學描述符只能實現一些特殊的屬性值。

基于此，中國科學技術大學江俊教授，王嵩教授，黃炎副研究員（共同通訊作者）等人使用光譜描述符和機器學習（ML）來建立金屬單原子催化劑上吸附分子的定量光譜結構-性質關系。除了吸附能和電荷轉移等催化性質外，還成功地反演了被吸附分子的完整空間相對坐標。

以金屬原子分散在金屬氧化物載體上的單原子催化劑（SACs）為例，研究了二氧化碳還原反應（CO₂RR）中關鍵中間分子CO的吸附狀態(tài)（性質和結構）與光譜特征之間的定量關系。本文建立了一個ML模型（ML-1）用于研究吸附能（E_ads）和電荷轉移（Δq）的性質，另一個ML模型（ML-2）用于研究吸附分子CO的結構。

本研究利用CO的紅外光譜信號預測了6個結構參數，包括鍵長、鍵角和二面角，利用這些參數可以精確地確定相對于SACs的小分子的位置，然后可以確定CO分子的空間相對坐標，從而實現結構反演。這是一種不依賴于理論計算或實驗假設而從光譜中獲取結構信息的新方法。

此外，基于上述兩個ML模型，開發(fā)了用于催化結構設計的AI生成工作流程。首先，隨機生成大量譜圖以快速預測吸附能，通過與期望吸附能的比較，迭代光譜生成過程以找到與期望性質相對應的光譜。

然后，基于該光譜反演了CO分子的結構，并通過DFT計算驗證了其性質。到目前為止，已經能夠利用光譜學作為指標來不斷地設計具有所需性能的催化結構。

Catalytic Structure Design by AI Generating with Spectroscopic Descriptors. J. Am. Chem. Soc., 2023, DOI: 10.1021/jacs.3c09299.

https://doi.org/10.1021/jacs.3c09299.