绘制能量-结构-性能（ESF）图是一种预测多孔分子晶体材料的方法，该方法利用理论计算寻找可能的低能量高性能晶体排列方式来实现新材料探索和发现。近日，华东理工大学的安迪·库伯教授（Prof. Andy Cooper）、陈林江研究员以及南安普顿大学Graeme Day教授组成的联合研究团队在数字化导航能量-结构-性能图研究方面取得新进展。相关成果以“Digital navigation of energy-structure-function maps for hydrogen-bonded porous molecular crystals”为题发表在《自然·通讯》期刊上（Nat. Commun., 2021, 12, 817, DOI: 10.1038/s41467-021-21091-w）。 

　　近日，该团队在前期关于绘制能量-结构-性能图（Nature, 2017, 543, 657）进行晶体结构预测的研究基础上，针对传统晶体预测流程所面临的问题，如数以万计的可能结构致使三者关系难以解读及缺乏统一的代表性结构抓取策略等，结合机器学习进一步发展了该方法。 

　　图1. 自动导航能量-结构-性能图，抓取可能的结构。图片来源：Nat. Commun. 

　　他们以探索多孔分子晶体为目的，首先对一系列以三蝶烯作为骨架且拥有不同氢键官能团的分子进行晶体结构预测，生成相应分子势能面上的数千稳定结构。将这些晶体的能量-结构-性能数据关系投影在不同的结构相关描述符坐标轴上并分别对能量作图。通过定量的分析所有分子晶体间氢键与π-π堆积解释了这些作用如何相互平衡并影响不同能量-结构-性能图的结果。同时发现一些高维势能面中堆积方式相似的晶体会在投影的图中形成特征性尖峰或团簇，然而这些特征有可能被传统的投影方式产生的二维图中其他散点所覆盖而遭到忽视。 

　　之后研究中采用结合机器学习的方法对数据进行了自动导航。将晶体一系列结构相关性质编译成孔结构描述符，采用无监督学习型的AP聚类算法对结构自动进行分组，选取每组中能量最低结构为代表结构，之后对其进行降维可视化。该方法适用任意描述符、性能与分类、降维算法。这种更加通用、便捷的工作流程系统性的从高维数据中直接筛选出所关注的代表性结构，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。 

　　作者表示，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的方法和新方向。 

　　（摘自X-MOL）