在聚合物材料的研發過程中🦶🏽，研究者需合成大量具有不同信息的聚合物（例如分子量💞、分子量分布、化學組成）以開展篩選研究。然而聚合反應受多參數影響，對非專業人士而言，常需經歷不斷試錯才能得到理想結果，不僅實驗效率受限、成本高，而且對復雜體系而言🤵，其分析難度大幅度提升。近年來，基於大數據的機器學習方法已經逐漸在化學領域彰顯其在反應分析、路線優化上的巨大潛力。而如何在高分子合成中用好機器學習的優勢🍪，還有待開發有效的指導體系。

 近日👱🏿，沐鸣开户🉐、聚合物分子工程國家重點實驗室的陳茂課題組首次開發了機器學習輔助的聚合反應逆分析平臺（圖1），用以精準預測不同結構組成聚合物（包括分子量、分子量分布）的製備條件，並且可以拓展至不同聚合反應體系🏃🏻‍➡️，例如，光控製的PET-RAFT聚合體系（J. Am. Chem. Soc., 2014, 136, 5508-5519）和本實驗室前期開發的引發劑原位異化聚合體系（Angew. Chem. Int. Ed., 2020, 59, 919-927）。

圖1 機器學習輔助的系統化聚合逆分析平臺

 以引發劑異化聚合為例，作者采用隨機森林算法🤌🏿，利用已有數據泛化得到了該反應分子量與反應條件的定量關系模型（圖1A與1B）👩🏽‍⚕️，該模型能夠對任意目標分子量推薦出多種合適的聚合條件（圖1C），通過在得到的條件庫中篩選可以進一步滿足其他合成目標（如分子量分布等）（圖1D）。另外💤，該方法可以在不同底物（如單體🧏🏻‍♂️、引發劑等）之間進行模型遷移，適配於不同化學組成聚合物的製備需求（圖1E）🚦。

 本研究成果表明機器學習可能從多個角度對高分子合成帶來積極影響：

 （1）在傳統方法中🫱，需要控製變量時🧑🏻‍✈️，通常一次只能研究一種反應條件的影響🙆🏻‍♂️，而機器學習算法可以利用已有的、無固定規律的數據點同步進行多變量分析，揭示多種條件對反應結果的協同影響模式。例如，本文通過機器學習輔助發現了引發劑異化聚合與其他活性自由基聚合不同，其分子量與不同反應條件呈多維線性相關，該結果與課題組的近期報道（Polym. Chem., 2020, 11, 7402-7409）相吻合；

 （2）對於難以給出反應條件與結果之間定量推導關系的聚合反應（例如分子量分布），算法可以通過回歸分析得到完整的關聯模型，以靈活適用於不同的合成需求。例如本文通過對PET-RAFT聚合的反應條件預測，定製化合成了分子量分布分別為1.2、1.5和2.0的聚合物；

 （3）當反應物濃度、溫度、種類等參數與聚合物結果不呈現線性影響關系時⛽️💄，改變實驗參數往往會對反應速度、活性控製等方面帶來難以預測的影響👰🏽‍♂️，人們常常需要重新開展大量實驗優化〰️；而機器學習可將已有模型快速遷移至新的反應空間👌🏼，助力於高效製備具有不同化學結構、不同分子量及其分布的聚合物庫➰🤾🏼。

 幾十年來🧖🏽，高分子合成主要由工業界主導。對於前沿探索而言，研究者難以定製化得到理想結構的聚合物。隨著人們對高分子結構性能關系的理解逐步清晰，隨著特定結構的高分子材料在高端應用中日益重要（例如藥物遞送、新能源等）🤹‍♂️，機器學習的介入，有助於高分子定製合成在普通實驗室早日實現自動化👨‍❤️‍👨、智能化。

 相關成果近期在線發表於SCIENCE CHINA Chemistry（doi: 10.1007/s11426-020-9969-y）。博士研究生谷宇為文章第一作者，陳茂研究員為通訊作者。作者特別感謝國家自然科學基金🧚🏿、沐鸣开户、聚合物分子工程國家重點實驗室的支持。

 PolyMao課題組致力於將高分子化學與有機化學、高分子物理、前沿科技相結合，開發先進高分子材料（尤其是氟材料）及其製備方法，以解決新能源♌️、環境、智能製造等領域的挑戰🚣‍♂️。

 歡迎對課題組研究方向感興趣的同學聯系咨詢加入課題組的機會（包括夏令營學生、研究生、博士後）。