2024年10月，我们通过系统综述过去50年单分子电子学（SME）的进展和SME面向人工智能时代的展望，以“From Molecular Electronics to Molecular Intelligence”为题在国际学术期刊《ACS Nano》上发表了综述性文章 (DOI: 10.1021/acsnano.4c10389)。
01 论文简述
1.分子电子学历史回顾
分子电子学的开端
单分子电子学——一个以操纵单个分子作为独立电子器件的学科，从1974年诞生起，便以极致的尺度（物质保持独特物理化学性质的最小尺度），基于合成化学的摩尔级器件吞吐量和基于有机化学的近乎无穷的灵活的分子结构设计方案，吸引了无数研究者投身其中。
“抓住分子”
在通往这最终愿景的路上，第一个绊脚石是如何抓住单个分子并探寻它的电学性质？这个难题可以等价于如何在亚5纳米尺度构筑精确的势阱，并在一些先驱性的工作中通过优雅的微纳加工手段，巧妙的外围仪器动态控制策略，明智的分子体系选择等方式得以解决。
“抓稳分子”
紧随其后的挑战是，不同实验室针对同一分子体系的电学测量出现了不可接受的实验结果差异，通过对分子结上电荷输运机理进行深入理解，研究者们将这一差异的来源归因于“如何抓稳分子”，即稳定的分子-电极界面构筑。通过将实验流程和数据处理标准化，优化控制部件和测量电路，引入更为稳定的二维材料作为电极等方案，分子电子学的数据可重现性问题得到初步解决。
“用好分子”
在成熟表征方法学的辅助下，分子电子学开始向着“用好分子器件”的方向发展，也正是从此开始，分子电子学研究路线出现分支。一条路线是继续沿着分子电子学的初衷，研究者们开发了分子二极管，分子绝缘器，分子晶体管，分子忆阻器等电子器件，并在分子结独特的量子干涉载流子输运的辅助下实现了优异的电学性能。而另一条研究路线则是将分子器件用于观测和影响物理化学过程，一些先驱性的工作展示了分子器件作为化学反应平台的电场催化效率优势以及分子器件在解析不同于系综物理化学的低概率化学反应动力学行为时不可替代的能力。
2.分子电子学未来展望
人工智能时代面临的潜在挑战与应对方案
在这个人工智能迸发出令人惊叹的生产力的时代下，一些目光深远的研究者已经开始审视这场时代盛宴下蕴藏的“算力危机”。云端指数级增长的算力负担，大规模张量数据流传输在冯氏架构下的非必要功耗开销，大规模向量矩阵乘法与布尔逻辑运算间的不和谐性以及不断涌现的边缘端算力需求，共同向集成电路发问：“如何开发下一代的高密度低功耗强泛化能力的运算架构？”而这个问题的答案可能就在我们的每个人的大脑中，在这样一个仅需一日三餐即可应对图像识别，自然语言处理，文本解析，资源调度等复杂多模态任务的强力运算架构中。
AI for Molecule Electronics
人脑自身是生物自组装的极致体现，对这种自组装的模仿事实上最终指向单分子问题，即要从根源上理解分子尺度的组装动力学行为，单分子表征平台天然与该任务契合。然而，可预见的最大挑战在于，如何实现复杂系统化学下分子异步行为的精确检测和解析。幸运的是，人工智能的发展为这样一个复杂非线性任务的求解提供了美好的愿景，大量的机器学习算法：如基于不同分子事件运用聚类算法，基于优质标签数据集应用信度网络进行迭代，对大数据集进行降维并抽取主特征，使用图像型实验结果数据集训练深度学习模型，都是激发单分子表征平台潜力的有力备选。我们认为，分子电子学的未来，是AI for Molecule Electronics的未来。
Molecule Electronics for AI
如今人工智能的根基-集成电路，事实上在做的事情是：画一个房屋的结构，然后在微纳尺度建造起这座房屋，但我们确定的是：人脑不是根据一张包含了完整结构信息的GDS版图搭建的。同时，人脑的复杂性很有可能蕴含在大量脑沟脑回构成的分形结构中，这样的折叠扭曲翻转很难在硅基电路中实现。上述的两点事实上为类脑运算架构的开发提出了两个准则：1，Top-down to Bottom-up；2，Hard to soft; 分子电子学与这两点需求是天然契合的。我们的观点是，以分子电子学为基础的类脑运算架构可能迸发出的算力将在未来反哺人工智能的发展。通过物理学，化学，生物学，神经学，心理学，电子信息学等领域研究者的通力合作，我们相信，未来的未来，是Molecule Electronics for AI的未来。
02 投稿心得
回顾整个手稿准备和投稿过程，我们有如下的心得：
1.“拥抱”人工智能时代
2023年的一次组会上，洪文晶老师曾提到：“我坚信，未来五年内AI将颠覆传统科研范式”，或许正是出于这样的信念，他在这篇综述撰稿初期便确定了AI for SME和SME for AI这一框架，而这与2024年诺奖颁发的Science for AI和AI for Science的颁奖逻辑不谋而合。基于这个框架展开文献调研和综述撰写的我们，也的确开始初步的思考我们自己的课题与人工智能结合的可能。坦率地说，我们目前对人工智能的理解仍然有限，但是我们相信，在这一段经历过后，我们迈出了“拥抱”人工智能的第一步。
2.以史为镜，可以知兴替
在此前的学习和科研中，我们与刘俊扬老师的交流更多集中于课题上的具体问题和技术探讨。然而，在这次综述的撰写过程中，刘老师带给我们一种全新的视角，即如何从整体上梳理一个领域的完整发展脉络。这帮助我们构建了对文献更深层次的理解，同时也让我们明白：透彻地理解一个领域的历史，就像顺着河流探寻源头与分支，做到这一点后，向未知的前方迈进一步才会变得从容自然。
3.合作，耐心与效率
对一个领域进行完整综述是一项浩大的工程，正是凭借我们之间的相互交流与课题组小伙伴们的热心协助，才让这一任务得以圆满完成。同时，在投稿的过程中，面对浩如烟海的文献和插图的选择与排版，保持耐心和做好规划是十分重要的。而在这次投稿过程中我们吸取的最大教训是文献管理不当，许多阅读过的文献我们没有进行及时归档，这极大影响了我们的手稿准备效率。但这也是我们最大的收获，我们相信，在这段经历中学习到的文献整理的经验一定会让我们未来科研过程中的信息获取事半功倍。
相关论文：
[1] Yan, C., Fang, C., Gan, J., et al. From Molecular Electronics to Molecular Intelligence. ACS Nano (2024).
论文链接：
https://doi.org/10.1021/acsnano.4c10389
编辑：孙华骋
