南开大学 JACS：机器学习定义金属氧簇合成窗口，实现 Sn₁₂Ti₄ 光刻簇的秒级放大制备与组装演化

该工作把已发表金属氧簇合成知识转化为可解释机器学习规则，进而实现 Sn₁₂Ti₄ 光刻簇的秒级合成、百克级放大和层级组装调控。

金属氧簇的可控合成长期受多变量耦合、竞争反应路径和经验筛选效率低的限制。作者从文献数据中构建锡氧簇合成数据集，并以可解释机器学习识别有效反应窗口，提出了机器学习辅助反应空间优化策略；在此基础上，体系在室温秒级形成前所未有的 Sn₁₂Ti₄ 簇，并在 15 min 内获得 266 g 高相纯晶体，证明数据驱动路线可以同时提升合成速度、放大能力和结构选择性。进一步通过质谱、自由能计算、配体调控和电子束光刻验证，工作把“合成预测—机制确认—组装演化—功能应用”连成完整证据链，为复杂分子金属氧化物材料的可放大制备提供了可迁移范式。

Scheme 1 | 机器学习辅助反应空间优化与光刻应用流程

Scheme 1展示了本文的整体研究路线：作者先从既有锡氧簇文献中提取反应条件和结构结果，建立机器学习模型筛选有效合成空间；随后通过人工实验验证模型给出的关键变量，并进一步把获得的 Sn₁₂Ti₄ 簇用于快速放大合成、结构组装和电子束光刻。

这一流程的核心不是简单用模型替代实验，而是把文献经验压缩成可检验的反应规则。机器学习在这里承担的是缩小搜索空间和提出可解释合成假设的作用，后续仍需要结构解析、质谱和计算来证明体系为何能够快速收敛到目标簇。

图1 | 机器学习模型建立与关键合成变量解释

图1a给出 25 个特征之间的相关性矩阵，说明输入变量之间没有严重冗余；图1b显示 CatBoost 分类器在测试集上取得 AUC = 0.86；图1c通过 SHAP 分析比较溶剂、配体齿数、杂金属种类等变量贡献；图1d把模型结果投影到元素周期表和配体齿数空间，指出 IVB 族杂金属和多齿配体是更有希望的合成组合。

该图建立了从文献数据到实验设计的第一层证据：模型不仅能预测锡氧簇是否形成，还能给出可被化学直觉解释的变量排序。对复杂无机合成而言，这种可解释性比单纯追求预测准确率更关键。

图2 | Sn₁₂Ti₄ 晶体的快速筛选、生长与百克级放大

图2a总结不同配体、溶剂和金属组合下的实验结果；图2b比较不同 Sn₁₂Ti₄ 产物的结晶时间、尺寸和生长速率；图2c展示 Sn₁₂Ti₄-DMF 在室温条件下的快速晶体生长；图2d给出从投料、溶解、加入 Ti(OⁱPr)₄ 到过滤干燥的放大合成过程。

结果显示，作者并未停留在微量筛选，而是把模型定义的条件推进到 266 g 级制备。秒级成核与 15 min 百克级高相纯产物共同说明，该路线具有从实验室发现走向规模化合成的潜力。

图3 | Sn₁₂Ti₄-DMF 的簇核结构、手性来源与对称性

图3a展示 Sn₁₂Ti₄-DMF 的核心和表面配位结构，包括 Ti、Sn、O、Cl、TMP 和 DMF 的空间分布；图3b比较左右手性对映体；图3c用几何简化方式说明 pseudo-T 对称结构与手性特征。

该图证明模型筛选得到的并非普通沉淀或低序结构，而是具有明确核壳配位关系和可解析手性的分子金属氧簇。原子级结构确定为后续讨论反应机制、组装方式和光刻交联提供了共同结构基础。

图4 | 合成路径、质谱证据与自由能机制分析

图4a比较不同加料顺序下 Sn₁₂Ti₄-DMF 的形成行为；图4b和图4c通过电喷雾质谱捕捉含 Sn/Ti 中间体；图4d提出从 Sn 物种水解缩合、Ti 通过氧桥重构并最终形成 Sn₁₂Ti₄ 的路径；图4e用自由能计算比较多种候选簇结构。

这一组证据解释了为什么不同初始加料路径仍会快速收敛到同一目标簇。动态水解缩合环境中的 Sn-Ti 物种形成和最低自由能构型是实现高选择性快速合成的关键。

图5 | 末端配体调控 Sn₁₂Ti₄ 构筑单元的组装演化

图5a显示离散 0D Sn₁₂Ti₄ 簇；图5b和图5c展示通过卤键或氢键形成的二维超分子层；图5d和图5e进一步给出三维簇基金属有机框架和同手性框架的构筑方式。

作者把同一 Sn₁₂Ti₄ 核作为模块，通过外围配体的空间位阻和电子效应改变簇间相互作用。这说明簇合成的可控性可以继续转化为层级结构可编程性，而不仅是获得单一分子结构。

图6 | Sn₁₂Ti₄-DMF 的高分辨电子束光刻性能与交联机制

图6a给出旋涂、曝光和显影流程；图6b展示灵敏度和对比度；图6c显示 30 nm、20 nm 和 10 nm 线/间隔图案，其中最小关键尺寸达到 9.83 nm；图6d展示柱阵列和复杂电路图案；图6e-f比较曝光前后的键合环境变化；图6g-h提出配体裂解、金属位点暴露和无机桥联交联的结构转化路径。

该图把材料结构优势落实到功能验证。电子束诱导的配体解离与 M-O-M/M-Cl-M 桥联增加使离散簇转化为交联网络，从而支撑负性光刻行为和亚 10 nm 图案化能力。

对我们而言，这篇文章最值得借鉴的是问题定义方式：作者没有泛泛地说“用机器学习做材料发现”，而是把问题收敛为如何从历史合成数据中识别可执行的反应窗口。这提示我们在处理复杂实验体系时，可以先把变量空间、可观测结果和失败样本整理成可建模对象，再让模型服务于实验决策。

在证据组织上，本文也提供了清晰范式：机器学习给出候选规则，快速合成验证规则，质谱和自由能计算解释规则，最终用光刻性能证明材料价值。后续如果我们希望把 AI 方法引入课题，应避免只展示预测指标，而要同步设计可验证的化学机制和功能闭环。

本文解决的核心问题是金属氧簇合成中经验筛选慢、变量耦合强、规模化困难的矛盾，并通过数据驱动策略实现 Sn₁₂Ti₄ 光刻簇的快速可放大制备。

该工作对领域的启发在于，机器学习可以从既有文献知识中提炼合成边界，并与结构化实验形成互补，而不是停留在黑箱预测。尤其是 SHAP 解释、质谱中间体和自由能计算共同建立了数据规则与化学机制之间的桥梁。

后续值得关注的是：该策略能否迁移到更多异金属氧簇和非锡体系；失败实验与负样本如何系统进入模型；以及 Sn₁₂Ti₄ 类簇在更接近产业条件的光刻胶体系中是否仍能保持低粗糙度和高稳定性。