新材料的发明和应用是人类社会发展的里程碑，为此人们渴望发展新的理论和方法来指导特定功能材料的研究。结构与性能的定量关系规律被列为21世纪四大化学难题之一。2001年，中国科学院福建物质结构研究所研究员郭国聪提出“功能基元”的学术思想，以期突破上述难题。“功能基元”是指对材料功能起关键作用的微观结构单元，通过对“功能基元”的研究和有序组装可获得高性能材料，以缩短功能材料的研究周期（图1）。同样的研究愿景近十年来也引起了各国政府的广泛重视。 
　　郭国聪率领的研究团队系统性阐述决定材料本征性能的六种主要微观结构类型【晶体结构、非周期性结构（也称调制结构）、磁结构、缺陷结构、局域结构和电子结构】的结构特点（图2），并针对每种微观结构类型，以具有相应结构特征的典型功能材料为例，分析总结出具有一定普适性的结构与性能关系规律，为基于“功能基元”思想的材料设计与创制方法奠定基础。　  
　　研究团队重点以红外非线性光学（NLO）晶体材料为例，详细阐述了“功能基元”学术思想的应用过程。研究人员针对红外NLO材料大NLO系数和高激光损伤阈值难以兼得的结构设计难题，提出双“功能基元”的结构设计思路，即把“抗激光损伤功能基元”（由电负性差异大的元素构建聚阳离子基团以增加带隙进而提高激光损伤阈值）和“NLO活性功能基元”（引入共价性为主的结构单元来增大NLO系数）在分子水平上组装成无心结构的思路，研制出系列高性能红外NLO材料（图3）。  
　　研究团队还对大数据技术在材料学研究中的作用进行了讨论。通过人工神经网络或贝叶斯网络对材料结构与性能数据库进行机器学习，获得的网络模型可用于材料结构与性能的预测，并指导新材料的设计。为了获得可靠的预测结果，需要具备一定的可信的材料结构与性能数据库，通常样本量越大，网络模型预测结果越可信。目前材料结构相关的大型数据库比较完善，但材料性能相关的数据库尚有不足，这主要是由于材料性能的实验数据一般比较难获得。机器学习在材料学中的应用也存在一些问题，比如网络模型是一个“黑盒子”，从里面提取出有效的结构与性能关系规律富有挑战性；为了弥补目前材料性能数据库的缺乏，一些研究人员通过理论计算（如第一性计算）获得该类数据库，再进行机器学习，但这样得到的预测结果可信度很大程度取决于理论计算本身的可靠性。研究团队基于材料结构的实验数据，并结合理论计算，建立了NLO材料和催化材料的“功能基元”数据库。 　  
　　相关工作以Material Research from the Viewpoint of Functional Motifs为题，以综述形式发表在National Science Review上。相关研究工作得到国家自然科学基金重大科研仪器研制、创新研究群体等项目的资助。   
　　论文链接 
　　图1 “功能基元”学术思想 
　　图2 决定材料本征性能的六种主要微观结构类型   
　　图3 高性能红外NLO材料[A3X][Ga3PS8] (A = K, Rb; X = Cl, Br)中的NLO与抗激光损伤功能基元