过氧化氢作为一种绿色氧化剂和潜在清洁燃料，其光催化合成近年来备受关注。共价有机框架材料因其结构可设计、功能可调等优势，在光催化产H₂O₂领域展现出巨大潜力。然而，COF光催化剂的研发长期受困于机理复杂、结构空间庞大等难题------传统试错法仅能探索化学空间的极小部分，而复杂的激子效应、电荷转移动力学过程又使定量构效关系难以建立。
近日，四川大学与柏林工业大学团队在《Nature Synthesis》上发表的研究成果，为这一困境提供了系统性解决方案。研究团队构建了一套整合数据与特征优化的综合计算框架，通过"信息协同进化"机制，显著提升了机器学习模型对COF光催化产率预测的精度与可解释性。
该研究的核心突破在于双路径协同优化。在数据层面，研究团队构建了包含165种COF结构及相应物理化学描述符的数据库，并引入化学等效结构增强与集成建模策略，有效缓解了小样本和实验噪声问题，将验证误差从4.70降至3.31。在特征层面，创新性地将分子片段描述符与带隙、电荷差异、疏水性等物理化学描述符融合，在避免复杂三维结构建模的同时，精准捕获了影响光催化性能的关键因素。
基于这一框架，团队从超万个候选结构中筛选出COF-343、COF-2835等高性能材料。实验验证表明，COF-343的过氧化氢产率达到12978.7 μmol h⁻¹ g⁻¹，远超现有报道的大多数COF光催化剂。该材料在120小时长期测试中保持稳定产率，五次循环后仍维持约90%的初始活性，展现出优异的结构稳定性与循环使用性能。
模型解释分析进一步揭示了关键结构基元的作用机制：氮掺杂芳香环、噻吩基团等能显著提升光吸收与电荷分离效率；供体-受体匹配体系（如三嗪、吡啶）性能优异，而受体-受体错配体系则表现低下。此外，氧气浓度、牺牲剂种类与比例、导带与价带位置被识别为关键外部影响因子。
这项工作不仅成功发现了多种高效COF光催化剂，更建立了一套可推广的机器学习驱动研发范式。该框架未来可整合激子结合能、光吸收系数等更丰富的物理描述符，并结合主动学习策略，推动从"预测"向"逆向设计"的跨越，为光催化材料的理性设计与加速发现开辟新路径。