清华联合NUS开发融合化学家知识的原子机器人探针

化学感知原子机器探针（CARP） 框架示意图。

随着芯片技术的发展，硅基芯片受限于物理工艺极限，寻找其他芯片材料是未来的重点发展方向。

开壳磁性纳米石墨烯作为一类新型碳基量子材料，具有强大的π自旋中心和非同寻常的集体量子磁性，对于在分子水平上开发高速电子器件或创建量子比特（量子计算机的构建块）至关重要。

表面合成方法的出现使量子材料得到广泛发展，然而该方法受到更高选择性和效率的限制，要在原子水平上精确制备和调控这类量子材料的性质仍然具有挑战性。

鉴于此，清华大学的王笑楠副教授联合新加坡国立大学（NUS）Jiong LU副教授、Chun ZHANG副教授等人通过整合探针化学知识和人工智能，开创了化学感知原子机器探针（CARP）的概念系统，以在单分子水平上制备和表征开壳磁性纳米石墨烯，实现其π电子拓扑和自旋构型的精确构建。

CARP由一系列经过表面化学家经验和知识训练的深度神经网络驱动，可实现开壳磁性纳米石墨烯的自主合成，并有效地从实验训练数据库中获取有价值的隐藏信息，为全面理解探针化学反应机制的理论模拟提供重要支持。

相关研究以《Intelligent synthesis of magnetic nanographenes via chemist-intuited atomic robotic probe》为题，于 2024 年 2 月 29 日发表在《Nature Synthesis》上。

CARP可在原子精度上高效制造量子材料

研究利用此前该团队发现的复杂位点选择性环脱氢化反应的化学家专业知识来训练CARP概念。

结果显示，CARP框架可以有效地采用来自表面科学家的知识，并将其转化为机器可理解的任务，成功模仿有经验的表面科学家的工作流程，执行操纵几何构型和自旋重数的单分子反应。这是有史以来首次由人工智能（AI）推动的探针化学反应。

图示：可在单分子水平精确制造有机量子物质的原子机器人探针。

CARP学习范式为理解基本机制提供见解

此外，研究团队最大限度地利用人工智能的能力，从数据库中提取深层信息。为了利用CARP的深层信息，其建立了一个智能学习范式，使用基于博弈论的方法来检验框架的学习成果。

图示：CARP 框架中 STM-AI 系统的基础结构。

分析表明，CARP有效地捕获了人类可能会忽略的重要细节，特别是在使环脱氢化反应成功的因素方面。这表明CARP框架可用于进一步深入了解未探索的单分子反应机制，潜在地加速亚埃尺度上的研究。

图示：单分子量子π磁体（SMQM）位点选择性合成的多键环化脱氢过程的计算模拟。

本项目的目标是在原子水平上创建、研究和控制这些量子材料，也在努力改变在表面上生产这些量子材料的方式，以便更好地控制成品，甚至到达个别原子和键的水平。

未来将进一步扩展CARP框架，以采用多样化的表面探针化学反应，并提高其规模和效率。它可能在加速量子材料的基础研究并将纳米制造提升到智能原子制造的新时代中发挥关键作用。