自组装是自然界构建复杂结构的基本法则，也为开发新一代功能材料提供了强大工具。然而，如何精确设计构筑单元（如补丁粒子，Patchy particles），使其能够自发地组装成预设的复杂结构，即所谓的“逆向设计”，一直是材料科学和物理学领域的重大挑战。尤其是在高维度的设计参数空间中，传统试错法效率低下且成本高昂。

近日，松山湖材料实验室纳米生物材料团队元冰研究员与苏州大学杨恺教授合作，在这一领域取得重要进展。研究团队发展了一种基于机器学习的模块化逆向设计策略，巧妙地将高维设计问题有效降维。在每一种目标结构的设计中，该方法仅使用了单一组分的补丁粒子，成功实现了多种阿基米德镶嵌（Archimedean tilings）等复杂超晶格结构的高效、精准设计。该策略不仅显著降低了计算成本，还获得了比以往预期更为精简的设计方案，为功能材料的按需定制开辟了新路径。相关研究结果以Machine-Assisted Inverse Design of Patchy Particles for Self-Assembly of Archimedean Tilings为标题发表于ACS Nano。

一、有效降维：两步法模块化策略破解高维设计难题

面对补丁粒子设计中“补丁位置”和“结合强度”等众多参数耦合带来的高维复杂性，研究团队创新性地提出了一种“两步走”的模块化逆向设计方案。该方案的核心是将高维参数设计空间解耦降维为两个关联但可序贯优化的子空间的叠加，从而实现了计算效率和设计精度的平衡。

图1 两步法模块化逆向设计策略示意图。首先通过基于遗传算法的“反向演化”确定最优补丁位置，再利用基于贝叶斯优化的“正向演化”精调补丁结合强度，最终实现目标结构的自组装。

第一步：基于遗传算法（GA）的“反向演化”，高效筛选补丁位置。 团队首先将目标结构作为“初始态”，通过计算成本较低的反向演化模拟，快速评估其稳定性。结合遗传算法强大的全局搜索能力，该方法能够在庞大的离散参数空间中迅速收敛，以较高的效率确定出实现目标结构所需的最优补丁布局。

第二步：基于贝叶斯优化（BO）的“正向演化”，精准调节结合强度。 在确定补丁位置后，参数空间维度已大幅降低。团队继而采用贝叶斯优化算法，对补丁间的结合强度这一连续参数进行精细调节。贝叶斯优化利用先验知识指导采样，能够以最少的模拟次数（即计算成本较高的“正向”自组装模拟）找到最优解，确保了设计方案在真实自组装过程中的可行性。

撰稿：纳米生物材料团队