共聚物序列结构调控是开发高端聚合物材料的关键路径之一，也是高分子化学家长期致力实现的目标。在共聚反应中，竞聚率作为单体自增长与交叉增长速率常数之比，对理解和调控序列结构具有核心意义。然而，竞聚率受溶剂、温度等多种因素影响，难以直接沿用文献数据准确预测不同条件下的序列结构，研究者通常需针对具体条件重新测定该参数。自20世纪40年代以来，竞聚率测定主要依赖
Mayo-Lewis、Meyer-Lowry等传统方法。这些方法不仅对转化率范围有严格要求、实验操作繁琐，且通常仅适用于二元共聚体系（图1A）。面对更为复杂的多元共聚体系（如三元共聚），研究者往往只能借鉴二元竞聚率参数，而无法直接测定三元竞聚率。大量研究表明，这种间接引用并不可靠。遗憾的是，长期以来，复杂体系竞聚率测定方法的发展几乎处于停滞状态。
图1. （A）传统的竞聚率测定方法；
（B）基于“竞聚率指纹”的机器学习测定方法
最近，复旦大学高分子科学系陈茂课题组提出“竞聚率指纹”新概念，将共聚反应数据矩阵作为竞聚率指纹，以百万量级的
指纹数据库建立了机器学习模型。在该模型中，输入任意转化率、投料比下的实验数据，能够直接、高效获取二元竞聚率、三元竞聚率（图1B）。以此为基础，研究团队测定了40对二元单体组合、20对三元单体组合的竞聚率；高效分析了温度、溶剂对于竞聚率的
重要影响；揭示了第三单体对于二元单体组合的竞聚率具有显著影响；通过改变溶剂、温度等简单反应条件，采用相同单体合成了不同序列结构的多元共聚物（图2）。
图
2. 机器学习辅助的序列结构调控示意图
本文提出的“竞聚率指纹”为竞聚率测定提供了全新思路，利用机器学习成功解决了
三元竞聚率直接测定的长期挑战，大幅度提升了竞聚率测定效率。研究者相信“竞聚率指纹”概念有望拓展至更复杂共聚体系、并适用于不同聚合反应机理，有望为共聚物实际生产中的序列
结构调控提供指导。该工作以“Copolymer Sequence Regulation Enabled by Reactivity Ratio Fingerprints via Machine Learning”为题发表在《德国应用化学》（Angew. Chem. Int. Ed. 2025, e202513086）。复旦大学高分子科学系张泽熙硕士为文章第一作者，复旦大学高分子科学系陈茂教授与课题组谷宇博士为共同通讯作者。作者特别感谢国家自然科学基金、上海市科委、复旦大学高分子科学系、聚合物分子工程全国
重点实验、高分子科学智能研究中心的大力支持。
全文链接：
https://doi.org/10.1002/anie.202513086
更多课题组介绍请点击：
http://www.polymaolab.cn
相关进展
高分子科技原创文章。欢迎个人转发和分享，刊物或媒体如需转载，请联系邮箱：info@polymer.cn
欢迎专家学者提供稿件（论文、项目介绍、新技术、学术交流、单位新闻、参会信息、招聘招生等）至info@polymer.cn，并请注明详细联系信息。高分子科技®会及时推送，并同时发布在中国聚合物网上。
欢迎加入微信群 为满足高分子产学研各界同仁的要求，陆续开通了包括高分子专家学者群在内的几十个专项交流群，也包括高分子产业技术、企业家、博士、研究生、媒体期刊会展协会等群，全覆盖高分子产业或领域。目前汇聚了国内外高校科研院所及企业研发中心的上万名顶尖的专家学者、技术人员及企业家。
申请入群，请先加审核微信号PolymerChina（或长按下方二维码），并请一定注明：高分子+姓名+单位+职称（或学位）+领域（或行业），否则不予受理，资格经过审核后入相关专业群。
