研究方向

1. AI 辅助色谱分离纯化与自动化平台

色谱分离是化学研究不可或缺的核心工具，但其方法开发长期依赖个人经验与反复试错，效率低下、重现性差。我们致力于将 AI 与实验室自动化深度融合，把色谱从一门依赖直觉的"技艺"转变为可预测、可编程的"科学"。

通过自动化机器人平台获取标准化、大规模的色谱数据，并开发嵌入机理约束的机器学习模型（如 QGeoGNN），我们实现了从薄层色谱（TLC）到高效液相色谱（HPLC）的跨尺度、可解释预测。结合迁移学习与条件嵌入，模型能在不同实验室、仪器与色谱柱之间通用迁移，为化学研究提供高效、可靠、可复现的分离方案。

2. AI 分子光谱研究

分子光谱（红外、紫外、质谱、圆二色光谱）是解析分子结构与性质的关键手段，但获取长期依赖耗时昂贵的理论计算或实验。我们构建大规模、高质量光谱数据集，设计图神经网络、Transformer 等架构学习分子结构与光谱的复杂映射，实现从分子拓扑到多种光谱的秒级精准预测。通过解耦峰值属性等策略提升可解释性，为手性识别、药物筛选与材料设计提供高通量分析工具。

3. 物理智能化学研究

传统化学发现依赖人在实验室里亲手操作——设想方案、搭建装置、观察现象、反复调整，效率低且难以规模化。我们把人工智能延伸到物理世界，构建"物理智能（Physical AI）“研究范式：让 AI 智能体操控机器人，在真实实验室中自主完成合成与发现实验，形成"感知—推理—行动—反馈"闭环。智能体实时感知反应进程、自主决策下一步操作，机器人精准执行加料、控温、分离、表征等动作，让化学发现从"人在实验室里做"走向"AI 在实验室里做”，构建自主化学发现闭环。

相关链接