机器学习助力开发高韧性塑料

某机构和杜克大学的研究人员报告称，一种强化聚合物材料的新策略有望制造更耐用的塑料，并减少塑料废弃物。通过机器学习技术，研究人员识别出可添加到聚合物材料中的交联分子，使其在撕裂前能承受更大外力。

这些交联分子属于机械响应分子类别，这类分子在受到机械力作用时会改变形状或其他特性。某机构化学工程教授指出：“这些分子可用于制造在受力时更坚固的聚合物材料。施加应力时，材料不会破裂，而是表现出更高的韧性。”

突破性发现

研究人员重点研究了含铁化合物二茂铁，这类化合物此前未被广泛探索作为机械响应分子的潜力。实验评估单个机械响应分子通常需要数周时间，但研究团队通过机器学习模型大幅加速了这一过程。

研究团队首先从剑桥结构数据库中获取5000种已合成的二茂铁化合物结构信息。通过对其中400种化合物进行计算机模拟，计算每个分子内原子分离所需的作用力。随后利用这些数据和化合物结构信息训练机器学习模型，成功预测了数据库中其余4500种化合物及7000种类似化合物的机械响应特性。

研究发现两个显著提升抗撕裂性的特征：一是连接在二茂铁环上的化学基团间的相互作用；二是两个环上连接大体积分子时，分子更易在外力作用下断裂。研究人员表示，后者是化学家事先无法预测的特征，必须借助人工智能才能发现。

研究团队选择其中一种名为m-TMS-Fc的化合物进行合成实验，将其作为交联剂加入聚丙烯酸酯塑料中。力学测试显示，使用弱交联剂m-TMS-Fc的聚合物韧性比使用标准二茂铁交联剂的聚合物高出四倍。

该技术可显著延长塑料制品的使用寿命，从长期来看有助于减少塑料产量。研究团队计划进一步利用机器学习方法探索具有变色、催化激活等特性的机械响应分子，这些材料未来可应用于应力传感器、可切换催化剂及生物医药领域。

本研究由美国国家科学基金会分子优化网络化学中心资助。