面向目标流变行为的聚合物拓扑与溶剂亲和性生成式主动学习研究

《npj Computational Materials》：Generative active learning across polymer architectures and solvophobicities for targeted rheological behavior

本研究针对聚合物溶液流变性精准调控的挑战，提出了结合拓扑感知生成模型、高斯过程与多粒子碰撞动力学的计算框架。通过主动学习优化聚合物拓扑结构和溶剂亲和性(λ)，成功实现了30种不同难度剪切速率依赖的粘度曲线(η(γ?))的逆向设计。研究发现低/中难度目标可通过架构与λ组合实现，高难度目标需借助Zimm弛豫时间(τZ)标度理论进行分子量(N)与浓度(c)外推。该工作为复杂功能聚合物的数据驱动设计提供了新范式。

　　

在增强石油采收、食品科学和生物医学等领域，通过添加聚合物来调控溶液粘度是一项关键技术。然而，由于聚合物架构、单体化学和溶剂质量之间复杂的相互作用，预测和设计具有特定流变行为的聚合物仍然是一个巨大的挑战。传统的实验方法耗时耗力，而计算模拟又需要在分子细节和可达尺度之间做出权衡。尽管多粒子碰撞动力学(MPCD)等方法能够在一定程度上平衡化学特异性和物理保真度，但如何在庞大的聚合物设计空间中高效地寻找满足特定流变性能的分子结构，依然是一个悬而未决的问题。

为了应对这一挑战，普林斯顿大学的Shengli Jiang和Michael A. Webb教授在《npj Computational Materials》上发表了他们的最新研究。他们开发了一个创新的计算框架，将拓扑感知的生成式机器学习、高斯过程建模和MPCD模拟相结合，旨在设计出能够产生预定剪切速率依赖粘度曲线的聚合物。该研究的核心目标是实现聚合物溶液的逆向设计，即根据期望的流变响应来推断出合适的聚合物分子特征。

研究人员首先构建了一个能够同时编码聚合物拓扑结构和溶剂亲和性(λ)的连续潜空间。他们扩展了之前开发的拓扑图神经网络(TopoGNN)，这是一个基于变分自编码器(VAE)的生成模型。该模型使用图同构网络(GIN)编码器处理聚合物的图结构（用邻接矩阵A表示）和拓扑描述符向量，将其映射到一个低维的潜空间中。为了融入溶剂亲和性的影响，研究人员对原始TopoRg-1342数据集中的每个聚合物拓扑模拟了五种λ值（λ ∈ [0, 0.5]），从而生成了6710个聚合物-溶剂亲和性组合。潜空间的学习不仅依赖于图结构的重建，还辅助于回归任务（预测均方回转半径〈R_g²〉、λ、单体数N和链维里数Ξ）和分类任务（识别线性、环状、支化、梳状、星形、树枝状六种架构）。通过均匀流形近似与投影(UMAP)对潜空间进行可视化，显示出按溶剂亲和性（从中心向外的径向梯度）和拓扑类别（形成 distinct 簇）的良好组织结构。

在研究的第一阶段，通过类别平衡的最大最小化采样从潜空间中选择了30个种子聚合物，覆盖了不同的拓扑和λ值。尽管选择过程没有预先考虑流变行为，但这些种子聚合物的MPCD模拟却显示出丰富的剪切依赖响应，粘度变化跨越近两个数量级。例如，线性和梳状聚合物表现出强烈的剪切稀化，而树枝状聚合物在所有λ值下均保持牛顿流体行为，星形、环状和支化聚合物则呈现中间响应。这种多样性源于拓扑约束和溶剂化效应的共同作用。

在第二阶段，研究人员设定了30个具有不同难度的目标粘度曲线（基于Carreau-Yasuda模型参数化），并启动了主动学习(AL)循环。每个循环中，高斯过程(GP)替代模型根据潜向量预测完整的η(γ?)曲线。贝叶斯优化(BO)则利用一种针对曲线匹配的期望改进(EI)采集函数，在潜空间中选择最有希望匹配特定目标的候选点。这些潜向量被TopoGNN解码为具体的聚合物图和λ值，随后通过MPCD模拟进行流变表征，新获得的数据再用于更新GP模型。经过五次AL迭代，对于低难度和中难度的目标，匹配质量得到了持续提升。有趣的是，对于低难度目标，主动学习找到了多种具有不同拓扑和λ值的聚合物都能很好地复现目标曲线，表现出明显的设计简并性。而对于中难度目标，则需要更特定的拓扑和λ组合。然而，对于高难度目标（如需要极高零剪切粘度或极强剪切稀化），在固定的分子量和浓度约束下，主动学习收敛到的候选聚合物（通常是线性、溶剂化聚合物）无法满足要求。

面对高难度目标的挑战，研究人员没有盲目扩展设计空间，而是转向了聚合物物理的标度理论进行理性外推。他们认识到，过早的剪切稀化起始与Zimm弛豫时间τ_Z∝ N^3ν相关，可通过降低分子量N来延迟。而零剪切粘度η₀的不足，则可以通过在重叠浓度c*以下增加聚合物浓度c来补偿。基于此，他们对AL找到的接近高难度目标的非线性架构聚合物，进行拓扑保持的粗粒化（降低N），并相应调整c，最终显著改善了对这些目标的匹配程度。

为了理解为何不同聚合物能产生相似的流变响应，研究人员对剪切下的聚合物构象进行了分析。他们发现，在恒定剪切应力下，剪切粘度与回转张量的横向分量G_yy和G_zz（垂直于流动方向的尺寸）高度相关（皮尔逊相关系数r ≥ 0.95），而与流动方向的分量G_xx相关性很弱。代表垂直于流动方向有效横截面积的几何平均√(G_yyG_zz)与粘度的相关性最强（r=0.96）。这表明聚合物的横向尺寸是控制粘度的关键物理特征。进一步的SHAP分析表明，图直径(φ_diam)和平均节点介数中心性(C_bet)等图论描述符以及λ是预测零剪切粘度η₀和弛豫时间τ等流变参数的重要特征。

本研究成功展示了一个集成的数据驱动框架，用于设计具有目标流变行为的聚合物。研究表明，主动学习与图基生成模型相结合，能够有效地在聚合物拓扑和溶剂亲和性构成的复杂设计空间中进行导航，实现对大多数中低难度流变目标的逆向设计。当数据驱动的方法达到其插值极限时，聚合物物理的标度理论为理性外推提供了关键指导，从而克服了分子量和浓度固定带来的约束。此外，研究还揭示了控制剪切粘度的关键物理因素是聚合物在垂直于流动方向上的横向尺寸，而非整体形状各向异性，这为理解复杂聚合物体系的流变行为提供了新的统一视角。

该工作的意义在于将机器学习的探索能力与物理原理的推理能力紧密结合，为复杂功能软材料的设计开辟了新途径。未来，将流变行为的标度律更深入地融入主动学习循环，或将其扩展到半稀、熔体及多组分体系，将是很有前景的方向。同时，将可调参数λ映射到具体的单体化学，以及考虑实际合成可行性的约束，也将是推动该框架走向实际应用的关键步骤。