汪骋教授研究团队在AI驱动催化机制解析领域取得重要突破。该研究创新性地将推理语言模型（LLM）与机器学习相结合，成功揭示了金属有机单层（MOL，二维MOF）催化剂表面分子修饰对C–H键活化效率的调控机制。相关研究成果以"Reasoning Language Model as Rule Finder: A Case Study on C–H Bond Activation Using 2D Metal–Organic Frameworks"为题，发表于ACS Central Science（DOI: 10.1021/acscentsci.5c00561）。

在二维金属有机框架（MOL）催化领域，表面分子修饰可精准调控催化活性，但其设计长期依赖经验探索。传统实验方法难以分离多维度影响因素，而常规机器学习又缺乏化学可解释性。针对这一难题，汪骋教授团队提出"AI Agent驱动自迭代"假设提取策略，实现了催化规律的智能挖掘与机制解析。

该研究使用LLM结合化学知识和实验数据，创造性提出猜想，然后将猜想转化为传统机器学习的输入矩阵，通过严格的机器学习验证、反馈结果、反思迭代，从数据中自主挖掘化学规律，突破了传统催化机制研究中经验探索的局限性。研究揭示，MOL催化剂表面修饰分子的电子效应通过调控Fe-Cl配体到金属电荷转移（LMCT）效率，进而影响氯自由基生成的关键机制，特别是发现共轭吸电子基团可显著提升催化活性。团队提出的策略实现了从分子SMILES信息到化学规律的全自动解析，其多模块协同（生成-评审-裁定-转换-校验）的设计不仅保证了假设的可靠性，更为化学研究提供了普适性新工具。

该研究工作在汪骋教授、蒋一彬博士后和东南大学胡慧慧博士后共同指导下完成。硕士研究生林赫（2024级）与硕士研究生崔晓琦（2021级）为共同第一作者。研究工作得到国家重点研发计划（2021YFA1502500）、国家自然科学基金（22125502、22461160282、22121001、92461305）以及中央高校基本科研业务费（20720240151）的资助。

论文链接：https://pubs.acs.org/doi/10.1021/acscentsci.5c00561