【色母粒产业网】8 月 27 日消息，来自麻省理工学院(MIT)与杜克大学的科研团队近期在聚合物材料领域取得重要突破，他们借助机器学习模型精准识别出特定的应力响应分子，并将其应用于材料研发，最终成功制备出抗撕裂性能大幅提升的新型聚合物材料。
据了解，这一针对聚合物材料强化的创新策略，为开发更耐用的塑料产品提供了关键方向。耐用性的提升意味着塑料在使用过程中更不易损坏，进而有望减少因材料破损导致的塑料废弃物产生。研究过程中，团队的核心思路是找到合适的交联剂分子并将其融入聚合物材料，这类交联剂需具备特殊的机械力响应特性 —— 在外力作用下能改变自身形状或其他属性，从而帮助材料在发生撕裂前承受更大的作用力。日前，该研究的相关成果已正式发表在学术期刊《ACS Central Science》上。
据色母粒产业网了解，机器学习在此次研究中扮演了 “加速器” 的重要角色。MIT 化学系教授 Heather Kulik 解释道：“我们所识别出的这类分子，能让聚合物材料在受力状态下展现出更强的坚固性，即便受到压力，材料也不容易出现开裂或断裂情况，整体韧性显著提高。” 值得注意的是，研究团队发现的交联剂属于二茂铁类含铁化合物，这类化合物的机械力响应特性在此前的研究中并未得到广泛关注与探索。以往，对单一机械力响应分子进行实验评估往往需要耗费数周时间，而此次研究证实，机器学习模型可有效缩短这一过程，大幅提升分子筛选与评估的效率。
机械力响应分子对外力的响应方式具有独特性，通常会通过改变颜色、调整分子结构或其他特性来体现。不过，这类分子的发现与特性表征工作，传统上要么依赖耗时较长的实验操作，要么需要进行计算量庞大的分子模拟。目前已被发现的机械力响应分子，大多属于有机化合物范畴。而此次研究将目光投向了具有机械力响应潜力的二茂铁类分子，这类分子属于金属有机化合物，其结构以铁原子为中心，两侧连接着含碳环结构，通过在分子中添加不同的化学基团，可灵活调整其化学性能与机械性能。
尽管此前已有部分二茂铁化合物被证实具备优良的机械力响应能力，但绝大多数同类化合物的相关性能尚未经过系统评估。一方面，单次实验测试一种化合物就需要数周时间;另一方面，即便采用计算模拟的方式，完成一次评估也需要数天。面对数据库中数千种候选分子的评估需求，研究团队决定引入神经网络技术，以此加速分子筛选进程。
研究团队的工作始于剑桥结构数据库，该数据库中收录了 5000 种已完成合成的二茂铁化合物。他们首先选取了其中 400 种化合物开展计算模拟，通过模拟量化使这些分子内部原子发生分离所需的作用力，进而筛选出那些分子内存在易断裂弱键的化合物 —— 这类化合物正是提升材料抗撕裂性能所需要的。随后，研究人员以这 400 种化合物的模拟数据及分子结构信息为基础，对机器学习模型进行训练。经过训练的模型表现出色，成功预测出数据库中剩余 4500 种化合物，以及另外 7000 种类似重组分子的机械力响应阈值。
通过模型分析与实验验证，研究团队发现了两个能显著提升材料抗撕裂性能的关键特征：其一，二茂铁环上所附着基团之间的相互作用，会对材料性能产生重要影响;其二，当二茂铁的双环结构连接上大体积分子时，可提高分子在外力作用下发生响应性断裂的概率。Kulik 特别指出：“第二个特征是此前化学家们无法通过经验预先预测的突破性发现，这一结论的得出完全依赖于人工智能模型的分析与洞察。”
在通过模型筛选出约 100 种具有潜力的候选分子后，研究团队进入实验室合成阶段，最终制备出以 m-TMS-Fc 为交联剂的聚丙烯酸酯塑料。后续的力学性能测试结果显示，采用弱交联剂 m-TMS-Fc 的聚合物材料，其抗撕裂强度达到了以标准二茂铁作为交联剂的聚合物材料的 4 倍。
麻省理工学院博士后 Ilia Kevlishvili 强调：“这一研究成果具有重要的现实意义。如果能借助这项技术让塑料制品拥有更强的韧性，那么其使用寿命将得到有效延长。从长期来看，这不仅能减少塑料产品的生产总量，还能降低塑料废弃物的积累速度，为缓解塑料污染问题提供有力支持。”
