深圳晶泰科技有限公司

查看電話 在線咨詢

立即詢價

您提交后，專屬客服將第一時間為您服務

點擊提交代表您同意《用戶服務協議》《隱私政策》

AI化學觀察室 | 當AI遇見COF：數字網狀化學如何重塑共價有機框架研究

閱讀：581 發布時間：2026-7-8

隨著 2025 年諾貝爾化學獎對網狀化學領域的認可，金屬有機框架（MOFs）與共價有機框架（COFs）的研究再次成為材料科學的焦點。

共價有機框架（Covalent Organic Frameworks, COFs）是一類由輕元素通過強共價鍵連接形成的晶態多孔材料，自 2005 年被首次報道以來，因其多孔性、低密度、高比表面積、結構可調和化學穩定性，在氣體分離、催化、儲能、光電子學及藥物遞送等領域展現出巨大潛力。然而，與金屬有機框架（MOFs）相比，COFs的研究進展相對緩慢，實驗報道的 COFs 僅約 1, 250 種，而 MOFs 已超過 125, 000 種。這一差距的背后，既有合成結晶度的挑戰，也有數據積累和計算工具滯后的因素。

這種數據量的匱乏導致早期 AI 研究主要集中在 MOFs 上。然而，隨著假設 COF（hypoCOF）數據庫的建立（如 Berkeley COF, ReDDCOFFEE）以及高通量計算篩選（HTCS）的發展，AI 正在填補這一空白。雖然 MOFs 在 AI 輔助研究中起步更早、數據庫更龐大，但 COFs 憑借其無金屬組成、高化學穩定性和模塊化設計的獨特優勢，正迎來 AI 驅動的黃金時代。

本次分享，我們深度解讀發表于 JACS Au 的前瞻性綜述《Digital Reticular Chemistry: How Artificial Intelligence Is Redefining COF Research》，梳理 AI 如何從性能篩選、合成智能到自主發現，全方位加速 COFs 材料的設計與應用，為關注多孔材料交叉研究的讀者提供參考。

01 從大規模篩選到數據高效的機器學習

在 MOF 領域，高通量計算篩選結合機器學習已發展得較為成熟。研究者建立了多個公開數據庫，并利用巨正則蒙特卡洛（GCMC）或分子動力學模擬生成訓練數據。COF 領域雖然起步較晚，但也陸續構建了若干假設結構數據庫，例如 Berkeley COF 數據庫（約 7 萬種）、ReDDCOFFEE（約 27 萬種）和 Genomic COF（約 47 萬種）。這些數據庫為機器學習提供了必要的樣本空間。

圖1 金屬有機框架（MOF）和共價有機框架（COF）研究從網狀化學到數字化學的演變：網狀化學傳統上依賴于實驗和人類直覺，而數字化學現在則利用大數據集、高通量分子模擬和機器學習模型，以實現材料的快速預測、篩選和逆向設計

早期工作多采用基于描述符的模型，即人為定義孔徑、表面積、元素組成等特征，再與模擬或實驗數據建立映射。這類方法在面對新任務時往往需要重新訓練，且依賴高質量的描述符設計。近來，研究者開始探索更高效或更通用的策略：

• 主動學習：

在 CH? 存儲篩選中，主動學習算法從 Genomic COF 的 44 萬余種結構中僅通過約 50 次 GCMC 模擬就識別出性能最優的材料，其甲烷可交付容量（222.2 v/v）超過了此前已知的最佳 Berkeley COF（216.9 v/v）。這種迭代采樣策略顯著降低了計算成本。

• 遷移學習：

針對 COF 數據不足的問題，研究者利用在 190 萬種多孔材料上預訓練的 Transformer 模型，再微調用于 COF 的 H? 吸附預測。結果表明，從 MOF 學習到的表征可以遷移至 COF，在數據有限時仍能保持較好的預測精度。

• 直接結構學習：

部分工作不再依賴人工描述符，而是將 COF 的晶體結構文件（CIF）或勢能面體素網格直接輸入神經網絡。例如，使用卷積神經網絡處理三維勢能網格，在預測 CH? 吸附時，僅用較少訓練樣本即達到甚至優于傳統隨機森林模型的精度。另一種方法將原子坐標和元素種類視為點云，利用深度學習直接從原始結構預測吸附量，同樣在 COF 案例中表現出良好性能。

不過需要指出，這些模型輸入的 CIF 通常代表理想化的周期性結構，未考慮實際二維 COF 中層間堆積無序或偏移的影響，這可能高估或低估實際的吸附性能。

02 AI賦能的多場景應用突破

• 氣體分離與存儲

ML 模型已成功應用于 COFs 的 CH?、H?、CO? 吸附性能預測。主動學習策略使得僅需模擬 50 種材料即可從近 45 萬種候選物中篩選出最優材料；遷移學習則實現了從 MOFs 到 COFs 的知識遷移，緩解了 COF 數據稀缺問題；而基于晶體結構直接輸入的深度學習方法（如 3D 體素化、點云表示），進一步擺脫了對人工設計描述符的依賴。

圖2 用于COFs中氣體分離和氣體儲存的機器學習方法：a）基于描述符的機器學習模型用于模擬COF膜；b）主動學習用于預測COFs中CH₄的傳遞；c）遷移學習用于評估COFs的氫氣（H₂）吸收能力；d）直接結構學習用于計算COFs對CH₄的吸收

• 催化、光電子學與能源領域

AI在COF研究中另一個活躍的領域是催化、光電子學和能源相關應用，數據往往來自密度泛函理論（DFT）計算，成本較高，因此數據高效的機器學習顯得尤為重要。一個典型案例是 H?O? 光合作用 COF 光催化劑的發現。研究者首先基于 DFT 計算獲得分子描述符，訓練模型后對約 3.3 萬種 COF 進行篩選，隨后合成了排名靠前的候選材料。其中性能最佳的 TAPPy-COF 在可見光下的 H?O? 產率達到 7.0 mmol g?¹ h?¹，優于已有報道的 COF 光催化劑，且結構穩定。

在熒光 COF 的發現中，主動學習被用于直接指導實驗：貝葉斯優化算法在僅有少量初始數據的情況下，從 3 種三醛與 26 種二胺的組合空間中推薦了 15 種 COF 進行合成，結果發現兩種材料的熒光量子產率分別達到約 55% 和 45%，超越了此前的最好水平。這表明即使在化學空間相對較小、初始數據極少時，機器學習仍能有效識別異常高性能材料。

圖3 人工智能輔助的COF設計與發現，用于催化、光電子和能源應用：a）基于機器學習的光催化制備H₂0₂催化劑設計；b）利用人工智能輔助發現高熒光COFs；c）基于機器學習的串聯吸附式熱泵用分子篩膜MOF和COF對篩選

• 環境與生物醫學應用

在環境領域，短鏈 PFAS（如全氟丁酸）的水處理是一個難題。研究者用蒙特卡洛模擬計算了部分 COF 的吸附選擇性，再訓練晶體圖卷積神經網絡預測剩余結構，發現三嗪基 COF 對 PFBA 選擇性最高，而硼基 COF 雖然選擇性也不錯但水穩定性差。這類分析不僅提供了排序，還指出了值得優先研究的化學類型。

圖4 基于人工智能的COF篩選在環境和生物醫學中的應用：a）利用機器學習加速的高通量篩選，用于從水中去除短鏈全氟和多氟化合物(PFAS)；b）深度神經網絡引導的COF篩選，用于5-氟尿嘧啶(5-FU)負載

在生物醫學方面，針對 5-氟尿嘧啶藥物負載的預測，深度神經網絡表明比表面積和孔徑是主要控制因素，并篩選出 COF-362 作為吸附焓最高的候選。不過作者也提到，藥物釋放過程通常需要分子動力學模擬，計算成本較高，未來若能結合加速 MD 的 AI 方法，將更有助于實際應用。

03 合成智能:

從條件優化到自主發現

近年來，COF 研究的一個顯著趨勢是將 AI 從單純的性能預測拓展到合成條件的優化與設計。傳統合成 COF 需要精確控制溶劑、催化劑、溫度、時間和化學計量比，這些參數通常依賴文獻經驗或反復試驗。

較早的工作聚焦于已知 COF 的條件優化。例如，在用于大氣集水 COF-323 的合成中，研究者利用基于 ChatGPT 的助手進行文獻檢索和實驗規劃，配合貝葉斯優化推薦微波合成條件。經過 82 次實驗，AI 引導的合成方案使 BET 表面積達到 926–1459 m²/g，約為此前報道最高值的兩倍，且在 10–40% 相對濕度下的水工作容量顯著提升。

更大規模的嘗試是將文獻中的合成知識系統化。研究者從 800 多篇 COF 論文中提取了 2709 個合成方案，包括連接體組合、溶劑、催化劑、溫度、時間及 PXRD 結果等，構建了一個可檢索的數據庫。采用檢索增強生成（RAG）的方法，對新的連接體對推薦合成條件。基準測試顯示，推薦溶劑和催化劑與文獻成功條件的一致性約為 83%，實驗驗證也成功合成了兩種新型氟化 COF。

更進一步，LLM加速合成技術（LFAST）將大語言模型與機器人合成及高通量 PXRD 分析整合。面對一種被 118 篇論文報道但始終未獲得尖銳衍射峰的 COF（TpPa-SO?H），該系統實現了迄今最高的結晶度指數。隨后，系統在沒有文獻先例的情況下，提出并成功合成了一種全新 COF——COF-2000，展示了從推薦條件到自主發現的跨越。

另一項工作中，AI 被用于為特定性能目標選擇構筑基元。基于對 355 篇 COF 光催化論文的文本挖掘（提取超過 1.1 萬個化學關系），系統推薦了 TAPT 和 BTT 作為構筑單元，并合成了亞胺連接的 Imi-COF 和噻唑連接的 Thz-COF，后者在 H?O? 產率和結構穩定性上均更優。

圖5 人工智能輔助的人工引導型COF合成、發現與優化：a）人工智能與人工協作，對COF-323的合成條件進行迭代優化，以提高其結晶度和水吸附能力；b）人工智能與人工協作，用于合成新型氟化COFs；c）LFAST輔助的自動化COF合成與結晶度優化；d）具有光催化制氫目標性能的COFs的自主發現

不過作者也謹慎指出，仍需保持清醒。當前的 AI 模型大多基于完美的晶體結構（CIF 文件），當前大語言模型并未真正理解 COF 的成核與生長機制，其推薦主要基于文獻中的統計關聯，而非物理或化學機理。現實中的 COFs 往往存在層間堆積無序、缺陷和穩定性問題。此外，缺乏 “失敗實驗” 的數據，也讓 AI 對合成難度的評估存在偏差。

因此，AI 預測與文獻結果的高度一致性并不等同于真正的 “發現”，嚴格的實驗驗證和跨體系的基準測試仍然是必需的。未來的關鍵，在于建立包含失敗案例的標準化數據庫，開發能理解復雜拓撲結構的生成式 AI，并最終實現計算與實驗的閉環。

04 挑戰與未來方向

盡管上述進展令人鼓舞，該展望也明確指出了若干瓶頸：

• 數據質量與偏差：

失敗的合成、低結晶度或無定形產物很少被報道，導致訓練數據偏向成功案例，模型可能高估合成可行性。未來的數據庫應系統收錄負面結果，并增加標準化的合成與表征標簽。

• 結構表示與拓撲泛化：

大多數模型假設理想晶體結構，對二維 COF 的層間堆疊無序、柔性或缺陷缺乏有效描述。此外，常見拓撲結構（如 hcb、sod）容易被編碼，但較復雜的網絡（如 qom、ana）則難以推廣。改進拓撲感知表示將是提升生成模型可靠性的關鍵。

• 計算與實驗的閉環：

作者強調，未來的自主實驗室應實現 “設計—合成—表征—再設計” 的閉環，這需要計算科學家與實驗化學家的深度協作。同時，文本挖掘工具（如針對 COF 的 ChemicalTagger 或 MOF-ChemUnity）應擴展到捕捉穩定性限制、活化失敗等信息，以訓練更具 “合成意識” 的 AI 模型。

• 機器學習勢的發展：

目前針對 COF 的機器學習勢函數仍很有限，而 COF 的共價鍵特性、層間弱相互作用及結構柔性都需要專用勢能模型。結合量子力學計算、原子模擬和機器學習的多尺度方法有望更真實地預測吸附、擴散及結構響應。

總體來看，AI 在 COF 領域的角色正從加速計算篩選擴展到輔助實驗設計和合成規劃。但它的作用仍是輔助性的 —— 將研究者的精力從重復性試錯中解放出來，而非取代對化學本質的理解。對所有材料科學的前沿探索者來說，擁抱 “數字網狀化學”，意味著我們正站在下一個重大科學突破的門檻上。

文獻原文：

https://doi.org/10.1021/jacsau.6c00576

聲明：

本文所有內容旨在學術探討與信息交流，所有權利歸原作者所有。

從學術前瞻到產業落地,

晶泰科技的AI+材料研發布局

學術界的展望為我們勾勒了 AI 輔助 COF 研究的諸多可能性，但一個不容忽視的現實是：這些方法大多仍停留在計算篩選和有限實驗驗證階段。從 AI 推薦到實驗室可靠合成，中間還橫亙著數據碎片化、實驗通量不足、反饋周期長等障礙。要真正跑通 “預測—實驗—迭代” 的閉環，不僅需要更聰明的算法，也需要標準化的實驗數據生成能力和自動化的執行平臺。晶泰科技的算法體系以 AI 為核心，構建了 “干濕閉環” 的科研體系，在藥物、材料等多領域實現技術落地。

1. 核心算法布局：200+垂類AI化學模型打造“化學超級大腦”

依托百萬級化合物與反應數據庫，打造覆蓋分子生成、結構優化、反應預測、性質預判、條件篩選等全研發場景的 200 + 垂類 AI 化學模型，融合量子力學計算與機器學習能力，自由能微擾計算精度行業領先，可精準預判反應可行性、分子成藥性與材料理化性質，還能自主遍歷海量化學空間生成最優實驗方案，實時復盤數據修正參數。