林嘉平/王立权CEJ: 机器学习辅助材料基因组方法设计含硅乙炔树脂

含硅乙炔（PSA）树脂作为一种有机-无机杂化耐高温树脂具有广阔的应用前景，但其加工性能仍需进一步提高以满足低粘度的加工要求。由于研发周期长，PSA树脂的设计通常依赖试错法，效率低下。

为此，华东理工大学林嘉平教授、王立权副教授等人提出了一种机器学习（ML）增强的材料基因组方法（MGA）来设计和筛选具有优异加工性能和耐热性的PSA树脂。首先，作者定义了“基因”并在数据库中搜索可用于化学组合的类似结构。作者将二炔和二氯硅烷分别定义为“二炔基因”（A基因）和“硅烷基因”（B基因），基于相似性从数据库中收集了16种“二炔基因”和23种“硅烷基因”并将其组合成368种候选树脂进行筛选。然后，通过多层感知器（MLP）模型分别预测368种候选树脂的加工性能（lgη）和耐热性（T_d5）。

此外，作者设定了筛选树脂的标准：1）将耐热性和加工性能的预测值映射到0到1的范围内，其中1表示树脂的加工性能或耐热性最好，0代表树脂最差。2）每个属性的重要性都有一个权重系数，根据权重系数计算加权平均值。

图1. 用于筛选易于加工的耐热树脂的MGA

使用基于ML模型的MGA，最终筛选出易于合成的PSNP-MV树脂并通过格氏反应进一步合成。实验和理论模拟结果表明，PSNP-MV树脂在低粘度下表现出改进的加工性能并保持了优异的耐高温性，验证了MGA的筛选结果。根据分析，甲基乙烯基二氯硅烷和二氯二乙烯基硅烷可能对设计易于加工的耐热压敏胶具有潜在价值。最后，作者强调了目前MGA的局限性。

首先，模型的准确性仍有提升空间。聚合物的特性数据分散甚至不完整，为构建模型收集可靠的数据是一个挑战。其次，在筛选阶段没有充分考虑合成的可行性，必须选择一种易于从筛选树脂中合成的树脂。尽管如此，与试错法或科学直觉相比，从这项研究中获得的见解可能有助于加速新型耐热树脂的开发并降低时间成本。

图2. “基因”分析结果

Design of silicon-containing arylacetylene resins aided by machine learning enhanced materials genome approach, Chemical Engineering Journal 2022. DOI: 10.1016/j.cej.2022.137643