MIT nutzt KI, um starke, reißfeste Kunststoffe zu entwickeln

麻省理工学院（MIT）与杜克大学的研究团队利用人工智能加速材料发现，从5000种已合成的二茂铁分子中成功筛选出一种能显著提升聚合物抗撕裂性能的新型交联剂。该研究聚焦于力响应基团——一类在外力作用下可发生结构或化学变化并释放可检测信号的分子。研究团队通过机器学习模型，识别出二茂铁衍生物中具有优异机械响应特性的候选分子，最终发现一种名为m-TMS-Fc的交联剂，能使聚丙烯酸酯材料的韧性提升至传统二茂铁交联材料的4倍。这一突破性成果发表于《ACS Central Science》期刊，第一作者为MIT博士后Ilia Kevlishvili，资深作者为MIT教授Heather Kulik，合作团队还包括杜克大学的Stephen Craig及其研究生Jafer Vakil、David Kastner和Xiao Huang。 研究基于2023年的一项发现：在聚合物网络中引入弱交联剂反而能增强整体强度。当材料受力时，裂纹优先破坏弱键，从而消耗更多能量，延缓断裂。为系统探索这一机制，研究团队将目光投向二茂铁——一种铁原子夹在两个环戊二烯基之间的有机金属化合物。尽管部分二茂铁已被证实具有力响应特性，但绝大多数尚未被系统评估。传统方法测试单个分子需数周，计算模拟亦耗时数日，难以覆盖大规模候选库。为此，研究团队从剑桥结构数据库中选取5000种已合成的二茂铁结构，利用约400种分子的力场模拟数据训练神经网络模型，成功预测其余4500种及其7000种衍生结构的机械响应阈值。 关键发现揭示了两类提升抗撕裂性的结构特征：一是环上取代基之间的空间相互作用，二是当两个环均连接大体积基团时，分子更易在外力下断裂。后者出乎意料，凸显AI在发现非直观规律方面的优势。杜克大学Craig实验室随后合成了含m-TMS-Fc的聚合物，并通过拉伸测试验证其性能，结果显示韧性大幅提升。研究团队指出，此类材料可显著延长塑料制品寿命，减少资源消耗与废弃物产生。 该成果不仅推动了智能材料的发展，也为未来开发可变色、催化响应或生物医学应用的力响应材料提供平台。研究团队计划将该AI驱动的筛选框架拓展至其他过渡金属基力响应基团，填补该领域研究空白。这些分子合成难度高，但具备独特性能潜力，AI技术正为其打开新窗口。 业内专家评价，该研究是AI与化学交叉的典范，将高通量筛选从“不可能”变为“可实现”。MIT的Kulik团队在计算化学与材料设计领域的持续创新，正重塑新材料发现范式。杜克大学Craig实验室在力响应化学领域的长期积累，与MIT的AI建模能力相结合，展现出跨学科合作的巨大价值。这一成果标志着智能材料研发迈入新阶段，为可持续高分子材料的产业化应用铺平道路。