生成式人工智能（AI）为化学研究中的按需设计描绘了一幅美丽的蓝图。然而，由于大多数化学描述符在数学上是离散的或不连续可调的，少数几代成功的化学描述符只能实现一些特殊的属性值。

基于此，中国科学技术大学江俊教授，王嵩教授，黄炎副研究员（共同通讯作者）等人使用光谱描述符和机器学习（ML）来建立金属单原子催化剂上吸附分子的定量光谱结构-性质关系。除了吸附能和电荷转移等催化性质外，还成功地反演了被吸附分子的完整空间相对坐标。

以金属原子分散在金属氧化物载体上的单原子催化剂（SACs）为例，研究了二氧化碳还原反应（CO₂RR）中关键中间分子CO的吸附状态（性质和结构）与光谱特征之间的定量关系。本文建立了一个ML模型（ML-1）用于研究吸附能（E_ads）和电荷转移（Δq）的性质，另一个ML模型（ML-2）用于研究吸附分子CO的结构。

本研究利用CO的红外光谱信号预测了6个结构参数，包括键长、键角和二面角，利用这些参数可以精确地确定相对于SACs的小分子的位置，然后可以确定CO分子的空间相对坐标，从而实现结构反演。这是一种不依赖于理论计算或实验假设而从光谱中获取结构信息的新方法。

此外，基于上述两个ML模型，开发了用于催化结构设计的AI生成工作流程。首先，随机生成大量谱图以快速预测吸附能，通过与期望吸附能的比较，迭代光谱生成过程以找到与期望性质相对应的光谱。

然后，基于该光谱反演了CO分子的结构，并通过DFT计算验证了其性质。到目前为止，已经能够利用光谱学作为指标来不断地设计具有所需性能的催化结构。

Catalytic Structure Design by AI Generating with Spectroscopic Descriptors. J. Am. Chem. Soc., 2023, DOI: 10.1021/jacs.3c09299.

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