文献来源：Fajar A.T.N. et al., Advanced Science, 2026, DOI: 10.1002/advs.202523042
发表机构：日本九州大学

引言

如果有一个 AI，不需要人类告诉它"这个分子可能好用"，就能自己从零设计出有效的新材料分子——你会怎么想？

这不是科幻。2026年3月，日本九州大学的研究团队在《Advanced Science》上发表了一项令人振奋的研究：他们用生成式 AI，首次自动设计出了用于钙钛矿太阳能电池的钝化分子，并在实验室完成了验证。

为什么这件事很重要？

钙钛矿太阳能电池（PSC）近年来发展迅猛，单结效率已突破 27%，被认为是下一代光伏技术的明星选手。但它有一个卡脖子的问题：界面缺陷。

缺陷会导致载流子复合，拉低效率、降低寿命。科学家的解决思路是：在钙钛矿表面涂上一层"钝化分子"，把缺陷堵住。听起来简单，但现实是——好用的钝化分子要靠人类专家凭经验一个个试，效率极低，能搜索的化学空间也极其有限。

 生成式 AI 的范式转变

生成式 AI 提供了从"筛选已知分子"到逆向分子设计的范式转变。合成可及的小分子化学空间估计超过 10⁶⁰，生成模型理论上可在此空间中自由探索。SyntheMol（抗生素发现）和 MatterGen（晶体结构生成）已在各自领域展示了生成式 AI 的威力，但其在 PSC 钝化分子领域的应用至今仍是空白。

这项研究做了什么？

2.1 整体工作流程

研究采用三阶段闭环流水线：

[阶段一] 数据库构建与判别模型训练
    文献挖掘 → Data T0（314分子）→ SMILES-X 分类模型
         ↓
[阶段二] 化学空间扩展与生成
    数据增强（PubChem相似性检索）→ Data T1（>11,000分子）
    → GPT-2 微调（3轮迭代）→ 生成 >100,000 新分子
    → 7维物化性质过滤 → ~8,000 候选分子
    → 聚类分析（10簇）→ 10 代表性分子
         ↓
[阶段三] 实验验证
    3 个分子 → 反型 PSC 器件制备 → 光电性能表征

2.2 数据集构建（Data T0）

数据来源：系统性挖掘综述文章及相关一手文献，手动核实原始出版物。

数据预处理：

• • 去除重复结构，转化为规范 SMILES
• • 提取初始/最终 PCE 值，计算归一化 PCE 提升量（ΔPCEnorm）
• • 最终获得 314 个唯一标注分子

分类规则：

• • Class 1（有效）：ΔPCEnorm ≥ 0.10
• • Class 0（无效）：ΔPCEnorm < 0.10

数据集特征分析：

• • 原子类型：以 C、O、N 为主，含 F、S、Cl 等卤素
• • 分子大小：多数小于 20 个原子（最大达 60 原子）
• • 化学空间（PCA/UMAP）：有效与无效分子在化学空间中高度混叠，表明结构-活性关系极为复杂

2.3 判别模型：SMILES-X 分类器

模型架构：SMILES-X 直接以 SMILES 字符串为输入，无需人工特征提取，端到端映射至属性标签，遵循自然语言处理范式。

训练策略：五折交叉验证

性能指标：

混淆矩阵（5折汇总）：

SMILES-X 与随机森林（Morgan 指纹）性能相当，但无需显式特征提取，可无缝集成至语言模型生成框架，因此被选为判别组件。

2.4 数据增强（Data T-aug）

由于 Data T0 规模过小（314条），不足以直接微调 LLM，研究采用以下策略扩增：

• • 从 PubChem 检索与 Data T0 中 Class 1 高效分子（ΔPCEnorm > 0.16）Tanimoto 相似度 ≥ 80% 的分子
• • 获得 15,540 个额外条目（Data T-aug）
• • 其中约 70% 被 SMILES-X 分类为 Class 1
• • 合并 Data T0 与 Data T-aug 中的 Class 1 分子，构成微调数据集 Data T1（>11,000 分子）

2.5 生成模型：GPT-2 迭代微调

模型选择：同时训练了 GPT-2 和 LLaMA-2（70亿参数），对比如下：

迭代微调策略：

• • Cycle 1：在 Data T1 上初次微调，生成约 30,000 个化学有效、唯一且新颖（CUN）分子
• • Cycle 2：将 Cycle 1 中的 Class 1 分子并入训练集，重新微调后生成量显著提升
• • Cycle 3：再次扩充训练集，CUN 分子总量突破 100,000

结果统计：

• • 总生成量（Data G-all）：>100,000 个 CUN 分子
• • 预测有效（Data G-class1）：87,750 个（占比 >80%）
• • 化学多样性：Tanimoto 相似度分析显示大多数生成分子与训练集具有中等相似度，而非简单复制——验证了模型真正在探索新化学空间

终止条件：第三轮后停止迭代，以维持约 10 万分子的可管理规模，并防止已被先前研究记录的"模型崩塌"（model collapse）现象。

2.6 多维物化性质过滤

对 87,750 个 Class 1 预测分子依次施加 7 项过滤准则：

过滤后保留约 8000 个候选分子（<10%）。

2.7 聚类与代表性分子选取

• • 对 8000 个候选分子计算 Morgan 分子指纹
• • 采用层次凝聚聚类算法分为 10 个簇
• • 每簇随
• 机选取 1 个代表性分子
• • 经领域专家
• 评估，选出 3 个进入实验验证

最终选出的 3 个分子：

实验结果怎么样？

3 个 AI 推荐的分子，全部在实际器件中展现出钝化效果，开路电压均有提升。其中，4-马来酰亚胺丁酸（MBA）的表现最为亮眼：

• 开路电压提升：1.08→1.12 V

• 平均光电转换效率：19.3%→22.2%

• 迟滞指数大幅下降：0.160→0.036

冠军器件在反向扫描下甚至达到了 24.13% 的效率。研究团队还通过 XPS、光致发光、DFT 计算等多种手段，证实了 MBA 与钙钛矿表面 Pb²⁺ 位点的强配位作用，以及其对界面能级排列的优化效果。

写在最后

本研究展示了生成式 AI 在材料发现领域的一个清晰可行的范式：以极小的初始数据集为起点，通过语言模型驱动的迭代生成-筛选-验证闭环，系统性地探索此前人类难以涉足的化学空间。

科研提速的竞赛正在全面展开。从抗生素到电池材料，AI 正在把"试遍所有可能"从不可能变成现实。AI 可以不依赖人类直觉，主动探索未曾被涉足的化学空间，并给出可以直接进实验室验证的候选分子。