马里兰大学Po-Yen Chen/胡良兵/李腾团队 Nat. Nanotech.：基于机器学习加速发现高性能可降解塑料替代新方法

目前，石油塑料在满足人类需求的同时，也带来了巨大的环境和生态问题。因此，开发由纯天然基元组成的生物可降解塑料替代品是解决方案之一。然而，寻找具有特定属性（如光学透明度、防火性和机械强韧性等）的全天然替代品面临着挑战：基元数据库庞大，寻找新材料就像大海捞针，而传统的迭代优化实验效率低下，工作量巨大。此外，目前对纯天然塑料替代品的性能调控只限于单一方面，多性能同时调控受到限制。

鉴于此，美国马里兰大学的Po-Yen Chen教授、胡良兵教授和李腾教授团队提出了一种新方法，以加速制备全天然塑料替代品，这些替代品具有可编程的光学、热学和力学性能。该方法基于GRAS数据库选取全天然基元，借助机器人快速制备286个具有不同性质的纳米复合膜，接着测量膜的完整度，并导入支持向量分类器。经过14个主动学习循环和数据增强，他们逐步制备了135个全天然纳米复合材料，然后对其进行光学、阻燃和力学性能测定，并构建了人工神经网络预测模型。这个预测模型能执行两种设计任务：1）从组成材料预测全天然纳米复合材料的物理化学性质；2）自动设计生物降解塑料替代品，满足各种用户特定要求。利用强相关基元（纤维素与蒙脱石），通过分子动力学模拟从微纳尺度得到其强韧性机理，确定了拉伸行为中的三个典型强韧化阶段：1）纤维链内氢键拉伸提高模量；2）链间层间滑移实现塑性强化；3）层间裂纹扩展发生断裂，最终实现高性能复合材料的定向制备。研究表明，通过这种集成工作流程（预测初筛→机理引导→定向制备），可以避免冗长的传统迭代优化实验，促进各种功能材料的多属性优化，适用于触觉传感器、可拉伸导体、电化学电解质优化和热绝缘气凝胶等广泛的纳米科学领域。