生成式人工智能为化学领域的研究提供美好的前景，但是因为大多数化学描述符通常具有明确的数值，而且很难表现为连续的变化，因此目前成功得到应用的化学生成人工智能非常罕见。

有鉴于此，中国科学技术大学江俊、王嵩、黄炎等通过机器学习技术和光谱描述符研究吸附在单原子催化剂表面的分子，得到定量的谱图-性质关系。

主要内容：

（1）

在这项研究工作中，除了吸附能和电荷转移等性质，对吸附分子的空间配位情况给出完全的结构信息。通过生成光谱描述符和结构预测模型，能够将其拓展至多种不同体系。

（2）

由于光谱描述符具有连续调节的特点，因此人工智能设计的催化剂结构实现给出连续变化的吸附态。这项工作可能在未来用于光谱表征技术对催化反应的过程进行实时监测，而且有可能实现催化剂的性能实现连续的预测。因此有可能对催化研究领域产生深远的影响。

参考文献

Tongtong Yang, Donglai Zhou, Sheng Ye, Xiyu Li, Huirong Li, Yi Feng, Zifan Jiang, Li Yang, Ke Ye, Yixi Shen, Shuang Jiang, Shuo Feng, Guozhen Zhang, Yan Huang*, Song Wang*, and Jun Jiang*, Catalytic Structure Design by AI Generating with Spectroscopic Descriptors, J. Am. Chem. Soc. 2023

DOI: 10.1021/jacs.3c09299

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