人工智能助力化學家研發高韌性塑料

　　麻省理工學院（MIT）與杜克大學的研究人員通過引入機器學習模型識別的應力響應分子，成功研制出抗撕裂性更強的聚合物材料。

　　這項強化聚合物材料的新策略有望催生更耐用的塑料，從而減少塑料廢棄物。研究團隊利用機器學習識別出可添加至聚合物材料的交聯劑分子，使其在撕裂前能承受更大作用力。這類交聯劑屬于機械力響應分子，能在機械力作用下改變形狀或其他特性。近日，相關研究發表于ACS Central Science。

　　AI助力開發新一代高韌性塑料。圖源：MIT

　　“這些分子有助于制造在受力時更堅固的聚合物。當施加壓力時，材料不會開裂或斷裂，而是表現出更高的韌性。”MIT化學系教授Heather Kulik解釋道。本研究發現的交聯劑是二茂鐵類含鐵化合物，此前其機械力響應特性尚未被廣泛探索。單次機械力響應分子的實驗評估需數周時間，但研究人員證明機器學習模型可顯著加速該過程。

　　機械力響應分子能以獨特方式響應外力，通常通過改變顏色、結構或其他特性實現。機械力響應分子的發現與表征通常需耗時實驗或計算密集型分子模擬。目前已知的機械力響應分子多為有機化合物。新研究聚焦于具機械力響應潛力的二茂鐵類分子，這類金屬有機化合物以鐵原子為中心，兩側為含碳環結構，可通過添加不同化學基團改變其化學與機械性能。

　　雖然部分二茂鐵化合物已被證實是優良的機械力響應分子，但大多數尚未評估。單次實驗測試需數周，計算模擬雖較快仍需數天。面對數千候選分子的評估任務，研究團隊決定采用神經網絡加速篩選進程。

　　他們從劍橋結構數據庫（含5000種已合成二茂鐵化合物）起步。研究團隊先對400種化合物進行計算模擬，量化分子內原子分離所需作用力，尋找易斷裂的弱鍵分子以增強材料抗撕裂性。隨后基于這些數據與分子結構信息訓練機器學習模型，成功預測了數據庫中剩余4500種化合物及7000種類似重組分子的機械力響應閾值。

　　研究發現兩個關鍵特征可提升抗撕裂性：一是二茂鐵環附著基團間的相互作用；二是雙環連接大體積分子可增強外力響應斷裂概率。Kulik指出：“后者是化學家無法預先預測的顛覆性發現，完全依賴人工智能的洞察力。”

　　在篩選出約100種候選分子后，實驗室合成了包含m-TMS-Fc交聯劑的聚丙烯酸酯塑料。力學測試顯示：采用弱交聯劑m-TMS-Fc的聚合物抗撕裂強度是以標準二茂鐵為交聯劑的4倍。

　　“這具有重大意義：若能使塑料制品更堅韌，其使用壽命將延長，長期來看可減少塑料產量與廢棄物積累。”麻省理工學院博士后Ilia Kevlishvili強調。

　　相關論文信息：https://doi.org/10.1021/acscentsci.5c00707