編輯 | 白菜葉

今天的故事開始前，先給大家介紹一種有（ku）趣（zao）的材料——圓偏振磷光材料（CPP）。這種材料在 3D 顯示、生物成像、防偽、光電子器件、手性分子識別等領域發揮著重要作用。

不過，在同一分子中精確控制并同時獨立切換圓偏振熒光和磷光性能仍然是一項很艱巨的挑戰。

翻譯成普通話就是：科學家要想隨心所欲地設計這類材料非常困難！

近期，中國科學技術大學江俊教授、鄒綱教授、尚偉偉副教授團隊提出了一種基于大型語言模型和遷移學習方法的圓偏振磷光材料定制設計策略，不僅能夠有效識別合適的合成前體，而且為實驗程序提供了有價值的參考。

該方法可以實現用戶指定的圓偏振熒光/磷光性能材料的逆向定制，有利于其在多色顯示和多維信息加密中的應用。

該研究以「Design of circularly polarized phosphorescence materials guided by transfer learning」為題，于 2025 年 5 月 29 日發布在《Nature Communications》。

論文鏈接：https://www.nature.com/articles/s41467-025-60310-6

近年來，圓偏振磷光（Circularly Polarized Phosphorescence, CPP）材料引起了業界廣泛關注。

這類材料兼具內在手性光學特性、較長的壽命、大的斯托克斯位移，并在 3D 顯示、防偽等多個潛在應用領域展現出廣闊的前景。

迄今為止，研究人員已經開發出多種 CPP 材料，包括手性無機材料、有機小分子、自組裝體系和聚合物體系，并已成功應用于手性光學探測、顯示、成像和信息加密等多個領域。

然而，大多數已報道的 CPP 材料的發光不對稱因子 [g(lum)] 通常處于10-3至10-2之間，這很大程度上限制了這類材料的實際應用。

為了進一步提升 g(lum) 數值，科學家們進行了諸多嘗試。

近年來，通過多層非手性各向異性功能層的扭曲堆疊來構建具有高g(lum)值的手性納米結構成為一種熱門方法，該策略在調控手性光學活性方面提供了更大的自由度。

在以前的研究中，江俊、鄒剛團隊曾構建了一系列圓偏振發光材料，其 g(lum) 值最高可達 1.9。不同于熒光材料，磷光分子源自三線態激子向基態的躍遷，具有優異的光物理行為。

所以，將圓偏振熒光（CPL）與 CPP 特性結合于同一材料，并實現 CPP 與 CPL 的同步調控（在目標波段具有相同或相反手性），不僅有助于拓展手性調控的自由度，還為應用集成提供了全新功能。

相關鏈接：https://www.nature.com/articles/s41467-023-41951-x

盡管如此，磷光材料仍存在半高寬（FWHM）較寬、色純度較差等問題。此外，由于扭曲堆疊結構的設計空間極為豐富，傳統依賴試錯的實驗方法往往耗時低效。因此，如何在無手性非晶薄膜中實現具備高 g(lum) 值（>1）、窄帶發射和定制 CPP 性能的按需設計，仍是一項重大挑戰。

在最新的研究中，該研究團隊提出了一種基于大型語言模型（LLM）和遷移學習的策略來指導 CPP 薄膜的按需設計。

圖示：在 LLM 和遷移學習的指導下，按需定制具有目標功能的 CPP 薄膜。（來源：論文）

首先，他們利用 LLM 尋找用于制備 CPP 材料的磷光分子。通過嵌入模型處理 500 多篇有關磷光材料的文章，建立文獻文本向量數據庫，之后由 LLM 通過檢索增強生成（RAG）方法引用，使用提示詞生成每篇文章的分子和性質摘要，LLM 用于總結和篩選文本，生成符合要求的分子列表。這里，研究人員從列表中手動選擇了三種磷光分子。

其次，為了建立 CP P材料的結構與功能之間的關系，引入了機器學習。鑒于扭轉堆疊結構的復雜性和設計空間的豐富性，建立結構/工藝參數與目標 CPP 性能之間的關系是一項挑戰。

因此，利用遷移學習構建結構-功能關系，能夠根據實驗磷光光譜和結構/工藝參數準確地正向預測 CPP 性能，最終實現具有目標功能的 CPP 薄膜的逆向設計和定制制造。

圖示：LLM 推薦和混合薄膜的 CPP 性能。（來源：論文）

論文中，研究人員證明了使用有限化學數據進行遷移學習的顯著優勢，它可以指導精確制造手性磷光薄膜，其具有高達 1.86 的高 glum、49?nm 的窄 FWHM 和定制的 CPP 性能以及整個可見光譜范圍內的目標光譜位置。

此外，所提出的逆向設計能夠靈活切換純度高達 95% 的磷光顏色，實現多色顯示，并能夠從相同的磷光分子定制 CPL 和 CPP 性能（在目標光譜位置具有相同或相反的手性），為信息加密提供了一個維度。

圖示：逆向設計和 4D 信息加密。（來源：論文）

研究人員在論文里表示，這些發現不僅為 CPP 材料的定制設計提供了可能，而且對于強調機器學習驅動的設計方法在功能材料開發中的前景也具有重要的基礎價值。

注：頭圖由 Midjourney 生成。