创新点

本文提出了一种人工智能驱动的逆向设计框架，能够将目标黏度性能直接映射回最优的分子结构。该框架以实际分子设计策略为指导，将拓扑特征（接枝密度、侧链长度）与官能团相关特征（共聚比例、亲疏水平衡）编码为一个多维设计空间，并结合耗散粒子动力学（DPD）模拟与粒子群优化（PSO）算法进行全局搜索，从而识别出非直观的高性能聚合物结构。

优化后的聚合物实现了约12%的黏度提升，其性能改善归因于带电链段伸展与疏水缔合结构的协同作用。本研究展示了AI引导的逆向设计在新一代EOR聚合物开发中的潜力，并为功能性聚合物的开发优化提供了一种具有普适性的设计方法

聚合物驱替是提高采收率（EOR）中应用最广泛的技术之一，但传统聚合物（如水解聚丙烯酰胺，HPAM）在高盐条件下黏度保持能力差，严重限制了其应用效果。尽管近年来分子工程研究已着重于通过调控聚合物拓扑结构和官能团来改善这一问题，但聚合物拓扑结构、电荷分布与亲疏水平衡之间的复杂耦合作用，使得合理的分子设计依然具有挑战性。

基于上述背景，中国科学院化学研究所江剑课题组和中海油研究总院有限责任公司张健团队构建了一个面向高性能聚合物驱油材料的AI驱动逆向设计框架。该框架结合了官能团工程与聚合物拓扑优化两大协同设计维度，实现了对结构–性能关系的系统探索与优化。框架由三个模块组成：分子建模、性能预测与参数优化（图1）。

图1. (a)改性HPAM主链的示意图（由AM/AA/AMPS共聚物组成）；(b) 粗粒化方案：每5个主链（或侧链）重复单元被表示为一个M珠（或S珠）；(c) 聚合物编码方案：接枝密度、侧链长度、P(AM-AA-AMPS)共聚比例以及亲疏水平衡被分别编码为参数(d, l, c, a)用于优化；(d) AI驱动的逆向设计框架示意图，由聚合物建模、性能预测和参数优化三部分组成。

文章基于方差敏感性分析方法（VBSA）系统评估了各设计参数对目标性能（溶液黏度）的影响（图2）。该方法通过对输入参数空间的全局采样，量化每个参数在响应变量总方差中的贡献，从而揭示其独立作用与交互作用的重要性。结果表明，参数对 (c, a) 和 (a, l) 的交互作用对黏度影响尤为显著。这些较高的二阶敏感性指数表明相关参数并非独立影响性能，而是通过协同作用共同决定体系的流变表现。

图2. 基于方差的敏感性分析: (a) 一阶与总敏感性指数, (b) 二阶敏感性指数

文章进一步将粒子群优化（PSO）算法引入黏度调控的迭代优化框架，以实现对关键设计参数的高效优化。图3展示了最优适应度值（即全局最优解 gbest，对应最高黏度值）随迭代次数的演化轨迹。在优化初期，gbest迅速上升，表明粒子群能够跳出了初始解的局部限制并快速收敛至高性能区域；随着迭代次数增加，gbest趋于稳定，最终在黏度值约5.4处形成平台期，标志着最优结构的基本收敛。相较于初始参考参数组（代表当前主流实验设计范式），该最优结构在不改变主链长度与单体浓度的前提下，实现了约 12% 的黏度提升。

图3. 全局最优解（gbest）对应黏度值随迭代次数的变化曲线

通过AI驱动的逆向设计框架，最终识别出最优设计参数组（d = 0.028，c = 5，a = 133，l = 6）。如表1所示，该参数组对应的实际结构为：接枝密度为0.0056个侧链/主链单元，确保适度的空间排布以维持链段柔顺性；主链由100% AMPS构成，提供最大电荷密度，增强静电排斥驱动下的链伸展能力；亲疏水参数a = 133，代表中等强度的S–W排斥，促进疏水基团间形成可逆缔合网络；而侧链长度为30个重复单元（6个粗粒单元），有助于构建稳定空间构象并增强流变响应能力。该优化结构通过静电伸展与疏水交联的协同机制，有效提升了宏观黏度性能。

表1. 设计参数与实际参数映射表

为深入探究该结构的微观增黏机制，文章对最优聚合物构象进行进一步可视化分析（图4）。结果显示，侧链上的疏水单元自发形成聚集区，构成可逆的疏水交联节点，有效限制了链段的局部运动自由度；同时，由于主链强静电排斥作用，链段在交联点之间趋于伸直，构成了类似“桥状”构象。这种由“物理交联限动”与“静电排斥伸展”共同主导的协同机制，显著增强了聚合物在剪切场下的网络稳定性与黏度保持能力。该分析不仅揭示了宏观黏度提升的分子起源，也验证了AI优化框架在复杂结构–性能关系识别中的有效性。

本工作以题为“AI-driven Inverse Design of High-performance Viscosity Modifiers”为题，发表在Chinese Journal of Polymer Science 2025年第10期“AI for Polymers”专题。研究生蒲泽暄是该论文的第一作者，江剑研究员和中海油研究总院有限责任公司张健为通讯作者。

Citation

 Wang, Z. W.; Pu, Z. X.; Xu, L. F.; Li, S. C.; Zhang, J.; Jiang, J. AI-driven inverse design of high-performance viscosity modifiers.Chinese J. Polym. Sci. 2025, 43, 1700–1706doi: 10.1007/s10118-025-3404-9