AMR Account｜UW–Madison李颖教授团队：机器学习加速新型聚合物的分子设计

近日，美国威斯康星大学麦迪逊分校李颖教授团队在AMR发表述评文章“Machine-Learning-Assisted Molecular Design of Innovative Polymers”，系统综述了机器学习在预测聚合物材料性能及辅助开发新型高性能材料领域的研究进展，并展望了该技术对未来聚合物材料研发模式的变革性影响。研究表明，机器学习辅助设计有望彻底重构传统材料开发范式，实现适用于多场景应用的可持续高性能聚合物材料的快速定向开发。

关键词：机器学习，聚合物信息学，分子设计，生成式模型，聚合物材料逆向设计

01 文章内容简介

聚合物材料在电子、生物医学、能源等领域中的广泛应用，使得高性能、可持续的聚合物开发需求日益增长。然而，传统的材料开发依赖实验主导的试错方式，过程繁琐、成本高昂，难以有效探索庞大复杂的化学空间。随着机器学习技术的发展，基于已有实验或模拟数据构建的机器学习辅助设计流程正成为改变聚合物开发范式的关键手段，有望实现从性能目标出发、反推出分子结构的逆向设计路径，显著提升材料设计的效率与精度。

图1. 传统和机器学习驱

本研究聚焦于机器学习辅助聚合物分子设计中的两个核心模块：聚合物性能预测与虚拟结构生成。性能预测用于判断特定结构是否具备目标性质，帮助研究者快速在大量候选中筛选出具有潜力的分子；而虚拟结构生成则用于构建结构多样的候选库，拓展材料设计的可能性。在性能预测方面，研究提出并实践了一套标准化流程，包括数据集构建、结构表示、特征工程、模型选择与训练策略五个步骤。

通过两个具体研究案例，论文展示了机器学习策略在实际聚合物设计中的高效性和可行性。第一个案例是多功能聚酰亚胺的筛选，通过构建包含800万个虚拟结构的聚酰亚胺数据库，并利用训练好的神经网络模型预测其热力学和力学性能，结合帕累托前沿分析筛选出性能优越的结构，最终合成并验证了其中一个候选材料，其玻璃态转化温度和杨氏模量均优于已知材料，验证了该策略在巨量化学空间中进行快速、经济筛选的能力。第二个案例是耐热多硫聚合物材料的开发，研究结合点击化学反应原理构建结构库，通过模型重采样强化在新型结构上的预测能力，筛选出玻璃态转化温度超过300°C、同时具有优良介电性能的三个候选结构，其中一个已被成功合成并展现出卓越的静电储能性能，进一步证明机器学习辅助策略在复杂多目标优化任务中的突破性潜力。

在结构生成方面，文章提出了两种代表性方法。一是基于规则的聚合反应生成，利用小分子数据库与已知聚合反应规则系统性生成百万级虚拟聚合物结构，涵盖聚酰亚胺、聚酯、聚氨酯等多个类别，不仅结构多样，而且具有可追溯的反应路径，利于后续实验合成。二是基于深度生成模型的逆向设计方法，论文系统评估了六种生成模型的表现，通过强化学习机制使模型在生成结构的同时朝特定性能优化。生成结果显示，这些模型不仅能保持化学结构的合理性，还能有效探索超越训练数据的化学空间，提升发现新型聚合物的概率。

综上，该研究从理论流程构建到典型应用案例，全面展示了如何通过机器学习技术高效辅助聚合物分子设计，实现“从性能到结构”的逆向材料发现。研究表明，结合虚拟结构生成与性能预测的闭环体系，不仅具备强大的探索能力和实验指导意义，也为新一代高性能聚合物材料的快速开发提供了可推广的技术平台与范式基础。

02 AMR：您对该领域的发展有何展望？

作者团队：

机器学习辅助聚合物分子设计目前还面临一些挑战，例如数据稀缺等。面对这样的挑战目前有四种发展趋势方向：首先是构建自主化实验平台，即将机器学习与机器人合成、表征、测试技术深度融合，形成闭环式的全流程优化体系。这类平台可利用主动学习策略自动选择下一步实验方案，实现设计-合成-测试-学习的迭代加速，不仅显著减少人力成本和试错次数，还可快速收集新数据提升模型泛化能力。

第二个方向是采用大语言模型构建统一的预测与生成架构，打破传统上结构建模和性能预测两个流程相互割裂的局限。通过大语言模型等先进架构，研究者可以将聚合物结构编码为自然语言表达式，实现在一个模型中同时处理分子生成与性质预测任务，为多目标优化提供了更强的灵活性与扩展性。

第三个趋势是发展人工智能驱动的闭环知识发现系统，不仅追求性能指标的最优化，更强调通过多轮迭代发掘潜在的化学规律与设计原则。在这一过程中，人工智能系统不仅提出候选分子，还能基于实验结果自动调整搜索策略、优化模型结构，实现从经验主导向数据-知识协同演化的转变。这一策略尤其适用于结构-性能关系复杂、数据稀缺或目标多样的高难度材料设计任务，例如可回收高性能弹性体、生物可降解功能材料等。

第四个趋势则聚焦于不确定性预测与主动学习技术的应用。聚合物设计中的性能分布通常高度不均衡，且目标性能区域往往处于数据稀疏地带。通过引入不确定性评估机制，模型不仅可以预测性能值，还能量化其预测可信度，识别高风险区域，并以此指导后续实验或模拟优先采样，进一步提升模型在真实复杂场景中的鲁棒性和探索效率。

结合这四个方向，聚合物材料设计有望实现智能自动化、连续迭代优化和知识生成能力的全面提升，构建以“数据-模型-实验”三者闭环联动为核心的新一代材料研发范式。

03 AMR：您认为本领域最值得深入探索且具有争议性的方向是？

作者团队：

是在机器学习辅助反向聚合物设计中发现的具有潜力的虚拟聚合物材料的可靠性与可合成性问题。虽然机器学习辅助设计聚合物材料表现出强大潜力，但如何确保设计结果在合成上具备可行性，仍是限制其实际应用的关键挑战。

作者团队简介

岳天乐是一位专注于分子机器学习的博士生，致力于高性能聚合物材料的研发。他目前正在威斯康星大学麦迪逊分校攻读研究生学位。此前，他于2019年在大连理工大学获得力学硕士学位，2015年在重庆大学取得工程力学学士学位。

何建新是威斯康星大学麦迪逊分校机械工程系的博士研究生，主要利用图神经网络技术探索高分子材料的“工艺-结构-性能”关系。他此前于2023年在中国科学院大学获得纳米科学与技术硕士学位。

李颖博士于2022年8月加入威斯康星大学麦迪逊分校任机械工程系副教授。2015至2022年间，他在康涅狄格大学机械工程系先后担任助理教授、副教授（获终身教职）。2015年获得西北大学博士学位，主要研究软物质多尺度建模及其生物医学应用。当前研究方向包括：多尺度模拟、计算材料设计、高分子力学与物理、机器学习加速聚合物设计。李教授的研究成果已获多项重要奖项认可，包括：美国化学会高分子材料科学与工程青年研究者奖（2023）、美国国家科学基金会职业奖（2021）、美国空军科学研究办公室青年科学家奖（2020）、3M非终身教职教师奖（2020）以及多个国际会议最佳论文奖。他已在《自然·能源》《科学·进展》《自然·通讯》《物理评论快报》等期刊发表160余篇同行评审论文。

扫码阅读李颖教授团队的精彩Account文章：

Machine-Learning-Assisted Molecular Design of Innovative Polymers

Tianle Yue, Jianxin He and Ying Li*

原文链接：

https://pubs.acs.org/doi/10.1021/accountsmr.5c00151

投稿指南目前Accounts of Materials Research的投稿主要基于编辑团队的邀请。如您有意投稿，请先按照Author Guidelines的要求准备并投递proposal， 编辑团队会对您的proposal进行评审。如果proposal被接受，我们将向您发送投稿邀请。扫码阅读作者指南，下载proposal form：