传统材料开发长期依赖“试错法”，其周期长、成本高，严重制约了高性能材料的开发效率。更关键的是，受限于人力与认知边界，研究人员难以在近乎无限的化学空间中实现系统性探索。近年来，人工智能（AI）凭借其强大的数据驱动能力，被视为加速材料筛选的重要工具。然而，当前AI技术仍主要集中于数据充足、结构清晰、影响因素单一的传统领域。对于共轭聚合物这类复杂材料体系，其性能由分子结构、聚集形态及多尺度相互作用共同决定，而有限的数据规模与高昂的合成成本，导致现有AI模型在该领域的预测准确率普遍较低。特别是在有机电化学晶体管（OECT）等新兴领域，实验数据稀缺与机理不清进一步放大了这一问题。如何在“小数据-大空间”的矛盾约束下，实现可靠预测并提炼物理规律，成为当前AI驱动材料科学的核心挑战之一。
针对这一挑战，日本五级片
雷霆教授和莫凡洋长聘副教授团队提出了一种名为“物理知识支撑的迁移学习（PKU-TL）”策略，在数据受限条件下成功实现了对高性能聚合物半导体的精准预测与按需设计。该策略的核心在于：以数据丰富的有机场效应晶体管（OFET）成熟体系为“知识源”，构建具有物理可解释性的基础模型，并通过物理约束引导的迁移学习，将其有效拓展至数据稀缺的OECT体系，从而在预测性能与机制理解之间建立桥梁（图1）。相较于传统经验驱动或纯数据驱动方法，PKU-TL不仅提升了模型的泛化能力，也为材料设计提供了明确的物理指引。
▲图1. 以人为中心、数据驱动及PKU-TL驱动的材料开发方法对比。a. 以人为中心的材料开发范式：首先，基于经验或理论提出分子结构或模型假设，随后进行实验合成与测试。若结果未达到预期，则通过机理分析修正假设并迭代实验，从而逐步产生新材料与新知识。b. 数据驱动的材料开发范式：首先，根据已有理论或经验选择特征，或直接采用解释性较低的分子指纹作为特征。随后，利用大量数据和所选特征开发预测模型。据此对候选材料进行实验合成和验证，从而发现新材料。c. PKU-TL材料开发范式：首先，在数据丰富的成熟体系中构建基础预测模型。随后，利用物理知识支撑的迁移学习（PKU-TL）为数据有限的新兴领域开发属性预测模型。基于模型的预测和合成经验筛选候选分子进行实验验证，并将实验结果反馈以迭代优化模型。该闭环过程不仅实现高效材料发现，还可提炼可迁移的材料设计规律。
研究团队收集了837条OFET实验数据，通过引入包含HOMO、LUMO能级、骨架平整度指数以及侧链结构参数在内的17维物理特征向量，利用XGBoost算法构建了高准确率预测模型。SHAP值分析揭示，分子量对迁移率具有决定性影响，其次是分子平面性和电子能级等。由于OECT与OFET在器件结构和掺杂机制（体掺杂vs 界面掺杂）上存在本质差异，OFET模型无法直接套用。研究团队通过“假设生成”步骤，将预测的OFET迁移率作为描述符引入OECT模型。基于此，AI模式识别出一个此前未被充分认识的设计参数，即片段间的能级差（p型：片段间HOMO能极差；n型：片段间LUMO能极差），是决定OECT特性参数μC*的关键因素。DFT计算进一步证实，较小的单体能级差能够显著促进正（p型聚合物）/负（n型聚合物）电荷在聚合物骨架上的离域，从而提高掺杂态稳定性与载流子传输效率。
基于上述构建的AI模型，团队对包含24,000多种候选聚合物的虚拟聚合物库进行高通量筛选，锁定以BDOPV为核心的优势n型结构单元。通过“预测—实验—再训练”的闭环优化，最终设计并合成了一种基于吡啶BDOPV的聚合物材料。经器件与工艺优化，该聚合物实现了高达63.5 F cm⁻¹ V⁻¹ s⁻¹的μC*和低至−0.08 V的Vₜₕ，其综合性能达到当前n型OECT聚合物的领先水平。
该研究不仅提出了一种面向小数据材料体系的通用AI设计策略，也为从“数据驱动”迈向“知识迁移和数据双驱动”的材料智能设计提供了新路径。相关成果以“Transfer-learning guided design of high-performance conjugated polymers for low-voltage electrochemical transistors”为题，于2026年4月7日发表于《Nature Communications》。
日本五级片
材料科学与工程日本五级片2022级博士生田双燕为论文第一作者。日本五级片
雷霆教授和莫凡洋长聘副教授为论文共同通讯作者。该研究得到了国家自然科学基金、国家重点研发计划、日本五级片
高通量计算平台以及日本五级片
分子材料与纳米加工实验平台的支持。
论文链接：//doi.org/10.1038/s41467-026-71381-4
