机器学习揭示了如何在有机溶剂中溶解聚合物材料

用有机溶剂溶解聚合物是高分子材料研究和开发中必不可少的过程，包括聚合物合成、精制、涂漆和涂层。现在，回收塑料废物比以往任何时候都更加成为减少材料开发过程中产生的碳的一个特别重要的部分。

在这种情况下，聚合物是指需要某些溶剂才能有效溶解并因此可回收的塑料和类塑料材料，尽管这并不像听起来那么容易。利用三菱化学集团(MCG)的量子化学计算数据库，科学家们开发了一种新型机器学习系统，用于确定任何给定聚合物与其候选溶剂的混溶性，称为χ(chi)参数。

该系统使科学家能够通过使用高通量量子化学计算整合计算机实验产生的大量数据，克服聚合物与溶剂混溶性实验数据有限所产生的限制。

研究人员在《Macromolecules》杂志上发表了他们的研究成果。

通过在称为多任务学习的方法框架中集成处理来自量子化学计算和实际实验的两个不同数据集，研究人员成功构建了一个模型，可以以极高的精度预测任何聚合物-溶剂混合物系统的混溶性。

该模型可用于选择和重新设计溶剂分子，将其添加到由不同类型塑料的混合物组成的塑料废物中，以选择性地仅分离某些材料。这种设计的溶剂也可用作“混溶剂”来制造高性能聚合物共混物。

“特别是近年来，随着我们迈向脱碳社会，人们对废塑料资源回收利用技术创新的期望越来越高。开发各种类型聚合物的混溶剂对于提高废塑料的回收率至关重要。”吉田亮(RyoYoshida)，该研究的作者和研究员。

研究人员开发的预测模型计算χ参数的速度大约是传统量子化学计算的40倍。使用该模型，可以超高速地筛选数百万数量级的候选溶剂分子。

到目前为止，该模型已被证明是准确的，可以计算出需要什么才能使聚合物和溶剂成为适合适当回收的均匀混合物，从而在创建可混溶物质时无需进行大量猜测和反复试验适合适当的回收方法。

但对于任何新兴技术，在真正准备好大规模使用之前，总是可以做一些工作来简化流程并解决问题。

吉田说：“为了进一步改进和扩展机器学习技术，促进材料信息学领域的开放创新和开放科学，我们已将开发的部分源代码和数据向公众开放。”

一些限制是模型缺乏确定聚合物混溶性对其分子量或其他组成特征的依赖性的能力，但向公众开放数据和源代码的某些部分可以增加模型可用的数据集，让它能够吸收这些信息并了解更多信息，以便更好地表示聚合物的真实混溶性。开放式创新和众包数据对于在相对较短的时间内获取大量数据非常有用。

当涉及到材料开发以及随着我们的社会逐渐远离塑料材料而持续需要智能回收废塑料时，预测和理解聚合物混溶性的能力可能被证明是未来技术的重大创新。