近日，我校化学系龚隽一副教授与香港中文大学（深圳）唐本忠院士团队合作，在材料计算与人工智能交叉领域取得重要进展。研究团队开发出一套基于立方采样的电子密度生成卷积残差网络（GED-CRN）的模型，仅使用19个训练分子即实现了接近MP2理论级别的高精度电子密度预测，为数据稀缺体系（如聚集诱导发光材料）的性质预测提供了新思路。该研究成果发表于国际知名期刊《Aggregate》（Aggregate 2025, e70119）。
电子密度分布是理解分子光电性质与反应机制的核心物理量，传统量子化学计算方法虽精度高但耗时巨大，尤其在处理聚集态体系时往往“算不动”。机器学习方法虽可加速计算，却严重依赖大量高质量数据，而功能材料研究中往往面临“数据零散、样本稀缺”的现实困境。
针对这一难题，研究团队提出了一种融合物理先验与深度学习的小样本学习框架。通过空间立方采样策略，将每个分子转换为数千个有效训练样本，极大提升了数据利用效率。模型采用双通道输入机制，结合电子密度与核电势场信息，引入3D卷积残差网络与梯度差异损失函数（GradDiff），实现了电子密度及其梯度分布的高保真预测。
结果表明，GED-CRN在QM9通用分子库和ASBase发光材料数据库测试中表现优异，整体平均绝对误差低于3.0×10-4 bohr-3，对聚集诱导发光（AIE）体系误差更降低50%。单分子电子密度预测仅需秒级完成，较传统方法提速三个数量级，显著提升了发光材料的虚拟筛选效率。
该研究不仅为AIE机制研究与材料设计提供了新工具，也展示了“少样本学习”在计算化学中的应用潜力。团队已公开全部模型代码，并正推进激发态版本的开发，推动量子机器学习在材料科学中的深度应用。
龚隽一博士现任我校化学系预聘副教授，长期从事发光材料的理论模拟与智能设计研究，在Adv. Sci.、Adv. Funct. Mater.、Chem. Sci.等期刊发表论文近50篇，H-index达29。
