130万倍速提升！机器学习助力AIE微观机制研究

130万倍速提升！机器学习助力AIE微观机制研究

近期，深圳职业技术大学李竞白副教授课题组与美国东北大学史蒂文·洛佩斯（Steven Lopez）教授合作，开发了一种多尺度机器学习光动力学模拟的方法。该研究在国际知名期刊《自然·通讯》上发表，为理解聚集诱导发光（AIE）现象提供了新的视角。

AI加速分子动力学计算

研究团队利用深度学习神经网络，成功加速了分子聚集体激发态动力学的计算模拟过程。与传统基于量子力学计算的非绝热动力学方法相比，新方法的速度最高可提升130万倍。这一突破性进展不仅大幅缩短了计算时间，还保持了极高的预测精度。

图：李竞白副教授（来源：李竞白）

揭示AIE现象的微观机制

聚集诱导发光（AIE）是一种独特的光物理现象，指某些分子在聚集状态下比在溶液中更容易发光。这一现象在光电材料、生物成像等领域具有广泛的应用前景。然而，AIE现象的微观机制一直缺乏清晰的解释。

研究团队开发的新方法能够精准预测AIE分子的荧光增强系数，并与实验结果保持一致。更重要的是，该方法在原子分辨级别上揭示了AIE现象的微观机制：分子聚集体通过限制分子内振动，抑制非辐射跃迁，从而引发AIE现象。

为材料设计提供新思路

这项研究不仅加深了对传统AIE机制的理解，更为未来更理性地设计AIE材料提供了充分的依据和指导。通过分析激发态分子结构演化，研究人员展示了对AIE现象的直观认识，为相关领域的研究开辟了新的方向。

背景信息：AIE现象的发现与应用

AIE现象最早由香港科技大学唐本忠院士于2001年发现。经过二十多年的发展，AIE材料已经在多个领域展现出巨大的应用潜力，包括：

• 光电材料：用于制备高性能的有机发光二极管（OLED）和激光器
• 生物成像：作为荧光探针，用于细胞成像和疾病诊断
• 环境监测：用于检测水体中的重金属离子和有机污染物

随着对AIE机制理解的不断深入，未来有望开发出更多高性能的AIE材料，为相关领域的技术进步提供有力支持。

本文原文来自搜狐科技