麻省理工学院与杜克大学的研究人员提出了一种强化聚合物材料的新策略,有望开发更耐用的塑料并减少塑料废弃物。通过机器学习技术,研究团队筛选出可显著提升聚合物抗撕裂强度的交联剂分子。这类交联剂属于机械力响应分子(mechanophores),能在受力时改变自身形态或特性。
"这些分子能制造出受力后强度更高的聚合物。当施加应力时,材料不会开裂或断裂,反而会表现出更强的回弹性,"麻省理工学院化学工程系Lammot du Pont讲席教授、化学系教授Heather Kulik解释道,她同时是该研究的资深作者。研究团队发现的交联剂是二茂铁类含铁化合物,这类物质作为机械力响应分子的潜力此前尚未被充分发掘。传统实验评估单个机械力响应分子需数周时间,而机器学习模型能极大加速这一过程。
机械力响应分子通常通过改变颜色、结构等特性对力产生独特响应。该研究团队创新性地探索了利用这类分子增强聚合物抗损伤能力的可能性。此项工作建立在Craig与麻省理工学院化学系A. Thomas Guertin讲席教授Jeremiah Johnson 2023年研究基础上——他们意外发现将弱交联剂引入聚合物网络反而能提升整体材料强度。当含弱交联键的材料被拉伸至断裂点时,裂纹会优先穿过较弱键而非强键,这意味着需要断裂更多化学键才能彻底破坏材料。
为深入挖掘这一现象,研究团队采用机器学习筛选可能作为弱交联剂的机械力响应分子。他们从剑桥结构数据库的5,000种已合成二茂铁化合物入手,先对400种化合物进行模拟计算,获取分子内原子键断裂所需力值数据。基于这些数据训练的机器学习模型,成功预测了数据库中其余4,500种及7,000种衍生化合物的机械响应特性。
研究发现两个关键特征可提升抗撕裂性:一是二茂铁环上化学基团间的相互作用,二是双环同时连接大体积分子时更易在受力下断裂。"后者是化学家无法预见的发现,完全得益于人工智能的洞察力,"Kulik表示。
杜克大学实验室随后合成了含m-TMS-Fc交联剂的聚丙烯酸酯材料。测试显示,这种弱交联剂使材料的韧性达到标准二茂铁交联聚合物的四倍。"材料韧性的提升意味着使用寿命延长,从长远看可减少塑料产量,"Kevlishvili强调指出。
研究团队计划进一步利用该机器学习方法开发具有变色、力致催化等特性的机械力响应分子,这类材料在应力传感、可切换催化剂及药物递送等领域具有应用前景。Kulik指出:"过渡金属机械力响应分子研究尚属空白领域,我们的计算框架能有效拓展这类分子的探索空间。"