机器学习助力开发高韧性塑料材料

机器学习助力开发高韧性塑料材料

某机构和杜克大学的研究人员提出了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，研究团队筛选出可添加到聚合物材料中的交联剂分子，使其在撕裂前能承受更大外力。

这些交联剂属于机械力响应分子类别，能够在机械力作用下改变形状或性质。该研究主要作者表示："这些分子可制造出在受力时更坚固的聚合物材料，当施加压力时材料不会破裂，而是表现出更高的韧性。"

技术突破点

研究团队聚焦于含铁化合物二茂铁，这类化合物此前未被广泛探索作为机械力响应分子的潜力。传统实验评估单个机械力响应分子需耗时数周，而研究人员通过机器学习模型大幅加速了这一过程。

具体技术流程包括：

1. 从剑桥结构数据库获取5000种已合成的二茂铁结构数据
2. 对其中400种化合物进行计算模拟，量化分子内原子分离所需作用力
3. 利用结构数据和模拟结果训练机器学习模型
4. 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

关键发现

机器学习模型揭示出两个提升抗撕裂性的关键特征：

• 二茂铁环上化学基团间的相互作用
• 两个环上连接大体积分子的存在

研究人员合成了候选材料m-TMS-Fc作为交联剂，实验表明该材料抗撕裂性达到标准二茂铁交联剂的四倍。这种韧性提升可延长塑料制品使用寿命，从源头减少塑料废弃物产生。

应用前景

该机器学习方法可进一步用于发掘具有变色、催化激活等特性的机械力响应分子，在应力传感、可切换催化剂及生物医药领域具有应用潜力。研究团队计划继续探索已合成但特性未明的金属机械力响应分子。

本研究由某机构分子优化网络化学中心资助。