基于图的机器学习方法为传统塑料和弹性体找到了含氧嵌段聚合物的替代品

《Journal of the American Chemical Society》：Graph-Based Machine Learning Identifies Oxygenated Block Polymer Replacements for Conventional Plastics and Elastics

　　高分辨率图像
下载MS PowerPoint幻灯片

含酯类和碳酸酯类的氧化嵌段聚合物是循环塑料经济中替代石化聚合物的优先材料。这些材料应填补当前塑料和弹性体所占据的热机械性能领域。在这里，我们提出了一种新的机器学习方法PolyReco，它可以预测出满足广泛使用且难以替代的石油衍生碳氢化合物聚合物机械性能阈值的氧化嵌段聚合物结构。三嵌段氧化聚合物以图表形式表示，而链接预测算法能够提取特征，以识别新的嵌段聚合物组合及其相应的聚合度，从而满足目标性能要求。PolyReco还配有一个可视化工具，可以根据用户需求进一步筛选材料。三个案例研究突显并实验验证了其识别高性能氧化嵌段聚合物的能力，这些新聚合物已经制备并进行了测试。这些新嵌段聚合物的拉伸机械性能介于高冲击聚苯乙烯、聚二甲基硅氧烷和苯乙烯类弹性体之间；实验结果表明，PolyReco有助于支持可持续材料的识别，从而减少对化石基聚合物的依赖。

**引言**
我们的塑料和弹性体的生产、使用及其生命周期管理方式是不可持续的，导致了废物和二氧化碳排放危机。(1?3) 迫切需要更可持续的聚合物；为了加速其应用，这些聚合物的性能必须能够直接替代现有的化石基材料。(4) 氧化聚合物，特别是聚酯和聚碳酸酯，是高优先级的可持续替代品，因为它们可以从生物质甚至直接从二氧化碳废物中制备。(5?7) 它们的制造过程通常利用低能耗和高度可控的杂环开环聚合路线。(8,9) 由此产生的氧化键使得这些材料既可机械回收也可化学回收。(10) 氧化聚合物通常比传统碳氢化合物在化学回收方面具有更低的能耗和更高的选择性。(8,11) 对于某些材料，生物降解也是可行的，并且在环境扩散不可避免的情况下是必要的。(12) 目前，主要的商业氧化聚合物是均聚物，例如聚乳酸(PLLA)、聚己内酯(PCL)或聚碳酸酯(PPC)。(10) 这些产品可以填补部分石油衍生聚合物的性能领域，但要匹配当前高性能工程塑料和弹性体的性能仍需进一步创新。(13) 氧化嵌段聚合物有潜力满足塑料和弹性体的更广泛性能要求。(14) 此外，热塑性嵌段聚合物在循环经济中非常重要，因为嵌段相分离可以优化机械性能，并实现闭环机械回收。(15) 这与通常不可回收的化学交联热固性塑料形成对比。(16) 嵌段聚合物的相分离取决于具体嵌段化学结构和每个组分块的聚合度(DP)；确定正确的组合对于实现最佳机械性能至关重要。(15,17) 传统的针对机械性能的聚合物开发方法通常涉及迭代合成和材料测试，这既耗时又限制了对性能领域的探索。(18) 最近，机器学习(ML)技术在聚合物开发和设计中发挥了重要作用，提供了性能预测。(19?24) 一些优秀的ML工具能够有效预测聚合物的热性能，如玻璃化转变/熔点或导电性。(25?30) 也有少数ML方法可以预测机械性能，如断裂时的应力和应变。(31?35) 通常，ML结果会与计算模型进行比较；然而，实验验证预测结果具有很大的价值。(36,37) ML的一个重点领域是预测嵌段聚合物结构及其机械性能。(38) 已知嵌段聚合物的相分离纳米结构比相应的均聚物具有更好的机械性能。(15) ML技术甚至被用来预测如何实现嵌段相分离。(39?44) 这些进展表明，ML不仅能够指导具有定制纳米结构的嵌段共聚物的设计，还能帮助发现特定应用的材料。

**文献中报道的几乎所有ML方法都是使用已建立的、基于碳氢化合物的均聚物进行训练和验证的，**这是因为这些材料已有大量可用的数据集。(20) 在未来的循环经济背景下，这些碳氢化合物聚合物可能无法有效模拟氧化聚合物的性能或结构。(2) 这带来了挑战，因为商业化的氧化均聚物较少，可用的实验数据也更为有限。(31,45?47) 文献中最近才开始认识到需要专门针对氧化聚合物应用ML。(31,45,46,48,49) 在这一领域，ML已被用于研究和预测氧化聚合物的独特物理性能，如聚合焓和生物降解性。例如，Ramprasad及其同事报告了一种基于图神经网络(GNN)算法的ML模型，用于预测含氧单体的开环聚合焓，这是其正向和降解过程的关键热力学参数。(47,50) Olsen及其同事展示了使用ML分类模型预测聚酯生物降解性的方法。(45) 此外，ML还被用来帮助选择替代现有化石基聚合物的材料。(45) 例如，Beckham、Crowley、Broadbelt及其同事开发了一种ML模型(PolyID)，可以预测生物基聚合物的热性能和气体传输性能。(46) 该模型预测的一种生物基PET类似物的性能得到了实验验证。然而，该研究没有考虑机械性能。

为了预测能够有效替代传统材料的氧化嵌段聚合物的结构-性能关系，不仅需要绘制热性能图谱，还需要考虑拉伸强度、弹性、韧性和刚度等广泛范围内的性能。实际上，一些最近的研究已经开始探索氧化聚合物的机械性能预测。(49,50) Pilania及其同事开发了基于多任务深度神经网络的模型，该模型训练了近23,000种聚合物化学结构，以预测140万个候选材料的关键热性能、机械性能和气体传输性能。(49) 通过这种方法，他们确定了14种基于PHA的生物塑料作为主要石油衍生塑料的潜在替代品，并提出了这些可持续替代品的合成路线。最近，我们开发了PolyAGM，这是一种基于图核的机器学习算法，它将完整的聚合物结构转换为数值指纹，从而从分子水平预测热性能和机械性能。(31) 当将其应用于含有酯类和/或碳酸酯键的生物衍生ABA嵌段共聚物热塑性弹性体时，PolyAGM准确预测了材料的玻璃化转变温度和拉伸性能，并识别出影响性能的关键结构特征。目前大多数ML模型在预测氧化聚合物机械性能方面的一个主要限制是数据可用性有限，尤其是对于结构复杂或多样的系统。一种方法是开发能够在小数据集上有效运行的ML工具。

大多数关于氧化聚合物机械性能的先前研究都集中在预测特定目标值上。(20,31,50) 然而，许多应用需要满足定义的性能阈值。(13) 例如，设计一种能够在断裂时达到更高应力或应变值的弹性体是一个显著优势，因为它也能承受较低的应力/应变值——当然，反之则不成立。另一个重要因素是，对于当前商业化的聚合物，不同等级的聚合物满足特定的性能标准。(2) 因此，仅通过设定单一的拉伸机械性能目标值来替代现有商业化聚合物是不太可能的。在设定适当的拉伸机械性能阈值并将其与现有材料进行基准测试时，确定材料的最终拉伸应力(σ)和断裂应变(ε)的下限是有益的。例如，苯乙烯类嵌段聚合物是运输、电子和消费品领域使用量最大的热塑性弹性体之一。(51) 未来，由于回收困难和较高的温室气体排放，我们可能需要替代苯乙烯类弹性体。(51) 可持续的嵌段聚合物替代品应超越大多数苯乙烯类弹性体的性能，因此应满足σ > 15 MPa和ε > 800%的较低阈值。(52)

在这里，我们提出了一个聚合物推荐系统(PolyReco)，它使用图链接预测方法识别满足机械性能阈值的氧化嵌段聚合物。该系统针对ABA聚合物结构；这里的术语描述了三嵌段结构，其中“A”和“B”段分别是在材料操作温度范围以上和以下的聚合物。目标是利用ML识别新的嵌段化学结构和适当的聚合度(DP)，以匹配或超过广泛使用的商业材料的机械性能阈值。该算法使用一个定制的数据库进行训练，其中大多数聚酯和碳酸酯是通过杂环开环聚合(ROP)或杂环/杂烯开环共聚(ROCOP)方法制备的。这些合成路线非常重要，因为它们都高度可控，可以制备出分散度窄、组成明确、摩尔质量、端基和侧基化学结构固定的聚合物。(14) 由于聚合物是以这种方式制备的，因此关键的ML预测结果可以更准确地通过实验进行关联和验证。

我们采用了一种不同于传统性能预测的方法，将聚合物发现视为基于阈值的链接预测。我们的目标不是回归单个聚合物的绝对值，而是学习不同嵌段之间的兼容性（具有指定的DP），并提出在训练中未观察到的新链接和新嵌段组合，这些组合可能满足特定应用的应力 and 应变阈值。这里使用的应力和应变阈值是反映常见工业性能范围的代表性示例；PolyReco非常灵活，可以应用于任何用户定义的目标值。这种事件级别的框架（即预测候选材料是否满足所需阈值）反映了真实的材料选择过程，即满足规格要求而不是简单地匹配数值，利用关系结构在数据稀疏的情况下保持有效性，并将机器学习从单纯的性能估计转变为可操作的合成候选物推荐。

**结果与讨论**
**聚合物推荐系统 – PolyReco**
我们编制了一个包含143种氧化ABA嵌段聚合物实验机械数据的数据库（见支持信息）。该数据库涵盖了不同的嵌段聚合物化学结构和化学性质固定但嵌段DP不同的ABA聚合物。在数据库中，每种嵌段聚合物都通过其组成的A块和B块来识别，并用一个带有两个节点和一条边的图表表示，ABA模式通过聚合物边的方向来编码（图1a）。每个节点包含A块或B块的SMILES字符串重复单元及其相应的DP（图1b）。(53,54) PolyReco使用包含机械数据和化学结构的数据库进行训练，其中10%的数据用于测试。链接预测算法用于预测新的ABA聚合物组合及其相应的DP范围（图1c）。尽管训练集仅包含143种ABA聚合物，但PolyReco被设计为一个双头、基于阈值的分类器，它同时评估拉伸强度和断裂应变，因此仅增加聚合度不足以保证预测结果为阳性。这种多标准框架降低了简单捷径学习的风险，而是鼓励模型识别具有化学意义的嵌段兼容性，同时使PolyReco成为一个数据高效的分类和假设生成工具，而不仅仅是一个通用预测器。PolyReco还配备了一个包含331种未用于嵌段聚合物的氧化均聚物的数据库。这使其能够推荐多种结构，而不局限于已知的ABA聚合物。对于训练集中没有的嵌段，PolyReco以归纳的“冷启动”模式运行，直接从SMILES衍生的化学表示和嵌段DP生成节点特征，而不使用任何先前的嵌段共聚物性能数据。PolyReco还配有一个可视化工具，可以根据用户定义的参数（如首选聚合物化学性质或服务温度范围）进一步筛选ABA聚合物输出结构。推荐的满足不同目标机械性能阈值的嵌段聚合物结构经过实验合成和表征以验证预测结果（图1d）。

**图1**
**图1. PolyReco概述。** (a) 用于合成ABA聚合物的氧化单体的示例。每个结构都表示为两个节点（红色和蓝色），通过有向箭头连接。（b）重复单元结构和DP被封装在每个节点中。（c）PolyReco预测新的块组合（紫色）。（d）使用可视化工具对推荐的块候选者进行筛选，合成新的嵌段共聚物，并对预测的性能进行实验验证。高分辨率图像下载MS PowerPoint幻灯片链接预测算法如前所述，PolyReco算法在一个图上操作，该图包含表示为节点的单独聚合物块，连接节点的边代表数据库中的ABA块聚合物，并包含有关其机械性能的信息。该算法用于找到满足所需机械性能阈值的新聚合物块组合，即在图中之前未连接的节点之间形成新的边。在图神经网络领域，这被称为链接预测任务。更准确地说，候选ABA块聚合物表示为有向块图??=(??,?)G=(V,E)。每个节点??∈??u∈V表示由单体重复单元（SMILES）定义的A块及其聚合度DPu > 0。有向边（??→??）∈?(u→v)∈E编码ABA架构的块顺序；对于对称的ABA，通过将两个外部A块的DP相加后再添加单一边A → B（B块的DP保持不变）。数据集中的所有聚合物都遵循这种对称ABA架构，并且假设两个A块的DP相同，因此这种数学合并步骤保留了真实的底层结构。测量的拉伸性能（断裂时的应力和应变（τσeng,τεeng）作为边标签用于监督训练。PolyReco的链接预测过程有三个主要步骤，如图2所示。在初始化步骤中，每个块的分子结构从其SMILES表示法中定义为一个特征向量Fu1，其中包含有关块重复单元中的原子和键的信息（图2a）。图2图2. 聚合物预测的链接预测阶段。(a) 节点用从SMILES表示法派生的特征向量进行初始化。(b) 节点从其邻居那里聚合信息，利用局部连通性来增强其特征向量。(c) 使用聚合的信息更新每个节点的特征向量，结合周围结构的影响。高分辨率图像下载MS PowerPoint幻灯片更准确地说，每个块u被嵌入为一个固定长度的向量????∈?????Fu∈RdF，该向量编码重复单元图（原子类型和键），可选地丰富物理化学描述符（logP、摩尔折射率、拓扑极性表面积、H键受体/供体），以及当可用时，使用ChemBERTa的SMILES语言嵌入（一种补充基于图和描述符的特征的学习序列表示）。(55) 由于聚合度DP是聚合物的决定性参数，我们考虑了两种单调的DP加权方法：?????=????·?????????????√F?u=Fu·DPu 和 ?????F?u = Fu · log(max(DPu,e))。平方根变换强调了较长块的重要性，同时减弱了非常大DP的影响；对数变换进一步压缩了非常长的链。这种处理方式承认了聚合物DP对性能的非线性影响，确保较长链得到更多权重，同时不允许极长链过度主导特征加权。(56) 然后通过一个学习到的线性投影??0∈???×????W0∈Rd×dF将DP加权的向量映射到编码器潜在空间，得到初始状态hu(0) = W0?????F?u。所有特征坐标都使用训练节点进行标准化（z分数）。在聚合过程中，每个节点通过消息传递从其相邻节点收集结构信息，这是现代图神经网络的核心组成部分（图2b）。(57) 这一步允许节点收集关于块组合在一起时可能表现的信息。更准确地说，在层k ∈ {1,···,K}中，节点u通过一个可学习的、排列不变的运算符AGGk从其自我增强的邻域Nei+(u) = Nei(u) ∪ {u}中聚合信息（图2c）??(??)??=????????({??(???1)??:??∈??????+(??)})au(k)=AGGk({hv(k?1):v∈Nei+(u)})在此情况下，AGGk是具有Nei+(u)上标准化系数的多头图注意力；该方程也适用于其他邻域聚合器。然后使用聚合向量在更新阶段更新每个节点的特征向量（图2c）。在最后的链接预测步骤中，结合两个节点的更新后的特征向量并评估潜在的链接形成。这一步使用二元分类来确定新的块组合是否预期满足设定的机械性能阈值。更准确地说，聚合向量与之前的状态连接并线性投影；然后应用逐点非线性（图2c）??(??)??=??(????·????????????[??(???1)??,??(??)??])hu(k)=?(Wk·CONCAT[hu(k?1),au(k)])其中????∈???×2??Wk∈Rd×dF，??(??)??∈???hu(k)∈Rd，?是一个逐元素激活函数（例如ELU）。投影后应用残差连接、归一化和dropout（实现细节未显示）。经过K层后，编码器输出??(??)=??(??)??∈???h(u)=hu(K)∈Rd。在代码中，我们使用多头GAT和残差连接（加上层归一化和dropout）来实现这种更新??(??)??=??(????(????????(??(???1))))hu(k)=?(LN(GATk(h(k?1))))这体现了图2c中的聚合-然后-更新示意图。PolyReco在机械阈值预测方面的准确性我们使用几个指标来评估PolyReco的性能，这些指标的简要概述见图3（更多细节见支持信息，图S1）。仅凭准确性，即算法的正确决策比例，往往不能提供完整的图景，因为它不能区分假阳性和假阴性。另一方面，精确度（分别是召回率）是真正例数与真正例数和假正例数之和的比例。F1分数是精确度和召回率之间的（可能是加权的）调和平均值。AUROC量化了真正例率和假正例率之间的权衡，而AUPRC将精确度作为召回率的函数进行整合；这两种指标都被称为“无阈值”，因为它们在评估模型排名时不固定决策阈值。这里应用了它们的宏观版本（精确度、召回率等），这意味着这些值是在两个预测任务上平均得到的，即断裂时的应力和应变σ和ε。为了在这种数据稀疏的情况下减轻过拟合，PolyReco采用了故意正则化的架构，包括dropout、L2权重衰减、梯度裁剪和基于验证的检查点。为了清晰起见，定义真实标签的工程阈值（τσeng, τεeng）与计算操作点指标（如精确度、召回率和F1）时使用的概率阈值不同。鉴于这种不平衡，AUPRC是主要的无阈值指标；AUROC是为了完整性而报告的。图3图3. 使用log加权（log(DP)）对PolyReco的性能进行评估（τσeng, τεeng）：宏观AUROC、宏观AUPRC和宏观精确度（测试，跨折叠的平均值）。高分辨率图像下载MS PowerPoint幻灯片所有测试集指标都是在分层k折交叉验证的每个折叠上计算的，并作为平均值±标准差进行总结。因为满足工程应力和应变阈值（τσeng, τεeng）的阳性组合（即块组合）通常很少见，所以在类别不平衡的情况下，简单的准确性没有信息量。因此，报告了：(i) 无阈值排名指标，宏观AUROC和宏观AUPRC；以及(ii) 操作点指标，宏观精确度、召回率和F1（有关这些指标的数学定义，请参见支持信息）。在中等工程拉伸机械阈值范围内，例如τσeng = 10–20 MPa，τεeng = 300–700%，log(DP)加权产生了最高的精确度和有竞争力的召回率，从而导致较高的宏观F1和宏观AUPRC（图3，S1）。例如，在τσeng = 10 MPa；τεeng = 600%时，宏观F1 ≈ 0.85，宏观AUPRC ≈ 0.94，精确度在ε阈值范围内保持较高（通常>0.90）。这种模式表明log(DP)饱和了非常长块的贡献，并强调了组成信号，提高了区分有前途的ABA块聚合物配方和勉强符合标准的类似物的特异性。当应力目标严格时，例如τσeng = 30 MPa，平方根加权（应用于DP）提供了系统更高的召回率和平衡的宏观F1（图S1）。例如，在τσeng = 30 MPa且τεeng = 400–700%时，宏观F1 ≈ 0.78–0.82，宏观AUPRC保持在0.84以上，同时观察到召回率提高了+2–6%。因为?????????√DP的增长是亚线性的，但不会过度压缩长链效应，因此它为少数高强度阳性样本保留了有益的链长信号。LP AUROC对于两种变体都统一较高（验证0.97–1.00，测试0.93–1.00；图S2），表明编码器学习了块之间的化学意义上的兼容性，即哪些A-B对出现。因此，分类差异主要源于DP信息在块特征中的缩放方式，而不是由于未能恢复连通性。实际上，log-DP加权最适合于在中等性能目标下的精确度导向的筛选，而平方根DP加权则更适合于在严格强度阈值下的探索性搜索，其中最大化罕见高性能候选者的召回率至关重要。结构预测的实验验证选择了三个不同材料属性空间的案例研究，以评估PolyReco的实际可行性，目标是识别能够满足当前石化聚合物相同机械性能阈值的块聚合物结构。在评估这些结构时，检查了PolyReco预测数据库中存在但之前未在块聚合物中报告的聚合物组合的潜力。整个工作的目标不是识别完全相同的材料替代品，而是确定具有可比拉伸机械性能的候选者。这些被视为实验上可行的线索，而不是直接替代品，跨其他属性的全面验证仍然是未来的重要步骤。这种方法为实验验证模型提供了选项，测试预测的机械行为是否与实验结果一致。对于每个预定义的σ和ε阈值，PolyReco生成了ABA聚合物结构和各个块的DP（图4b）。然后使用可视化工具评估这些输出文件，该工具基于其他关键参数进一步筛选（图4c，见支持信息）。具体来说，对输出结构应用过滤器，以筛选块聚合物的化学性质、合成可行性以及上限和下限Tg值，这些可能有助于定义加工和服务温度窗口。例如，在选择特定的B块化学性质并按所需的热性能进行筛选后，可以显示推荐的A块结构。然后为指定的A和B化学结构推荐一系列DP。这些输出提供了A块的相对重量百分比，计算方法是从A块到B块的比例（见支持信息）。例如，为了针对代表弹性体属性空间的阈值，块比例始终低于<30 wt %，与典型的块聚合物相图一致。（14）PolyReco可视化工具使得从生成的输出结构中直接选择满足预定义σ和ε阈值的ABA聚合物进行合成变得容易。随后合成选定的聚合物结构以进行实验验证（图4e）。所有新材料都是使用一步聚合方法生产的，利用了受控聚合，即环状单体的ROP和酐/环氧以及二氧化碳/环氧的ROCOP。（14）这些聚合类型允许很好地控制A块和B块的DP，具有狭窄的分布。图4图4.示例工作流程：使用PolyReco预测案例研究1中的聚合物结构。(a) 定义PolyReco输入阈值。(b) 获取PolyReco的结构输出。(c) 可视化。(d) 根据所需的嵌段化学性质、热性能和合成可行性进行聚合物结构筛选。(e) 通过机械表征进行聚合物合成和实验验证。

高分辨率图像
下载MS PowerPoint幻灯片

案例研究1：高冲击聚苯乙烯
高冲击聚苯乙烯（HIPS）由于其出色的机械性能（特别是σ和ε）而在包装和消费电子等多个行业中至关重要。(58) 然而，HIPS存在显著的环境挑战：其结构具有永久性的化学交联，因此不易回收，会加剧环境污染，并且会产生大量的二氧化碳排放（每千克聚合物2.6千克二氧化碳当量）。(59) 为了寻找可回收的HIPS替代品，PolyReco的任务是预测σ > 35 MPa和ε > 1000%的ABA聚合物结构，最终得到了约14,000个推荐的结构。

聚己内酯（PCL）因其商业化生产和机械及化学回收的潜力而被选为B嵌段的候选材料。(60,61) 在精炼后的输出结构中，聚环己烯氧化物-邻苯二甲酸酯（Poly(CHO-alt-PA)）被选为A嵌段，因为其Tg值高于100°C，与HIPS的90°C相当。(58,62,63) 对于这种A和B嵌段的组合，选择了B嵌段DP约为500、A嵌段DP约为40的结构（详见支持信息）。实验结果表明，CL单体的聚合反应以及PA和CHO的交替聚合反应产生了一种全聚酯材料，其PCL DP为489，Poly(CHO-alt-PA)总DP为84（详细的合成和表征方法见支持信息）。这种新的三嵌段聚酯热塑性塑料具有光学透明度，Tg值分别为-62°C和111°C，σ值为46.2 ± 6.4 MPa，ε值为1156 ± 101%。因此，根据这些因素，PolyReco推荐的新三嵌段聚酯在机械性能上符合HIPS的要求，成为一种有前景的含氧塑料替代品（见表S2）。此外，PCL和高Tg的Poly(CHO-alt-PA)的组合是PolyReco预测的一种新型嵌段组合。

图5
图5. 新材料的实验机械性能与预测阈值的比较。(a) PolyReco为每个案例研究推荐的ABA结构及其近似DP值。(b) 每种案例研究材料的代表性应力-应变曲线（10 mm/min）。(c) 每种案例研究材料在达到目标机械性能阈值时的应力与应变值（阴影区域）。误差条表示N = 5时的实验标准偏差。

高分辨率图像
下载MS PowerPoint幻灯片

本案例展示了PolyReco利用已知均聚物结构的数据来预测具有特定机械性能范围的新材料的能力。同时，其他材料参数对塑料性能也很重要，因此还测量了新三嵌段聚酯的韧性及杨氏模量（Ey），分别为311 ± 61 MJ/m3和0.52 ± 0.06 GPa。其韧性优于HIPS，但杨氏模量较低。未来，要全面评估这些材料相对于HIPS的其他性能，需要进行广泛的冲击测试（例如Charpy或Izod测试）和压缩机械评估。因此，目前研究中针对这些指标的数据报告有限，未来的机器学习数据库和工具应能够考虑更多的变量和性能参数。

案例研究2：聚硅氧烷
聚二甲基硅氧烷（PDMS）是一种多功能材料，因其优异的机械性能（包括高弹性、低玻璃化转变温度和较大的断裂应变）而被广泛使用。(64) 这些特性使其非常适合用于微流体、柔性电子设备和生物医学设备，其中灵活性至关重要。然而，从生命周期评估的角度来看，PDMS存在显著的环境问题：其生产过程能耗高，产生的温室气体排放量超过每千克聚合物6千克二氧化碳当量。(65) 此外，PDMS难以回收，且PDMS链的交联进一步加剧了其环境影响。(66) 为了使用含氧聚合物重现PDMS的性能，并在机械性能空间的不同区域评估PolyReco的能力，设定了σ < 3 MPa和ε > 500%的目标阈值。本案例还研究了PolyReco在预测训练集中未包含的嵌段组合方面的性能。

聚环戊烯碳酸酯（PCPC）被选为A嵌段的候选材料。最新研究表明，由于其低缠结分子量和高拉伸强度，PCPC具有良好的均聚物性能。(67) 它可以通过环戊烯氧化物（CPO）合成，并利用丰富的可再生资源二氧化碳。针对PDMS阈值范围预测的结构中，筛选出了含有PCPC嵌段的结构，并将DP目标设定为约18。选择了含有Poly(ε-癸内酯）（PDL）B嵌段（DP约为200）的ABA结构进行合成，因为它们符合目标范围，且PDL可以生物降解。成功合成了PCPC-PDL-PCPC三嵌段聚合物，其嵌段DP分别为32-196-32。该材料的σ值为0.34 ± 0.08 MPa，ε值为613 ± 78%（见图5b,c）。这些结果展示了算法预测满足低机械性能阈值要求材料的能力，其中之一是上限。此外，它们还展示了识别具有前所未见嵌段组合的新材料的能力。这突显了PolyReco将新的均聚物结构整合到数据库中的潜力，以及加速发现创新嵌段聚合物结构的潜力。需要注意的是，这种新型ABA聚合物的Tg值（-51°C）高于PDMS（Tg = -123°C），但在满足设定机械阈值的4248种结构中，它的Tg值最低。这表明在非常低Tg的含氧聚合物领域存在知识空白。

案例研究3：苯乙烯嵌段聚合物弹性体
苯乙烯嵌段共聚物（SBCs）在汽车和建筑行业中广泛应用。(68) 这些弹性体具有较高的韧性，能够承受较大的应变，适用于粘合剂、密封剂和柔性包装等用途。(51) 然而，它们来源于石油基资源，并含有不可降解的连接键，这引发了关于其生产和处置的长期可持续性问题。(69) 苯乙烯基弹性体需要满足σ > 15 MPa和ε > 800%的机械性能要求。(68) 在本研究中，PolyReco的任务是预测嵌段中包含更复杂三元共聚物的结构。最新研究表明，由CPO、CHO和CO2混合物合成的聚碳酸酯可以制成坚韧的塑料。(70) PolyReco预测Poly(CPO-co-CHO-alt-CO2)（PCPC-co-PCHC）可能是一个合适的A嵌段候选材料（DPPCHC约为48，DPPCPC约为32），可以与PDL B嵌段（DPPDL约为182）结合，形成具有良好性能的新弹性体。合成材料的中心PDL嵌段DP为187，外部聚碳酸酯嵌段由DPPCHC = 48和DPPCPC = 30组成（见图S14）。拉伸测试显示σ = 17.9 ± 1.0 MPa，ε = 1780 ± 64%（见图5b），超过了这两个性能阈值（见图5c）。其机械性能和热性能与苯乙烯基弹性体相当（见图S17）。本案例表明，该模型能够预测训练数据库中不存在的更复杂的三元共聚物嵌段化学结构。

需要强调的是，尽管合成材料的机械性能与石化产品相当，但进行全面生命周期评估（LCA）和详细的技术经济分析是必要的，以验证这些材料是否确实提供了更可持续和更具成本效益的替代方案。此类过程和可持续性工程评估显然超出了识别研究探索候选聚合物化学结构的范围。未来，考虑如何将有效的可持续性和技术经济数据整合到可视化工具或材料筛选参数中将是很有意义的。

结论
基于图的机器学习方法利用链接预测技术准确预测了满足目标拉伸机械性能阈值的新ABA嵌段聚合物结构。PolyReco算法与可视化工具结合使用，可以识别聚合物结构并根据其他关键参数（如热性能或合成可行性）进行筛选。通过三个案例研究验证了PolyReco的潜力，这些研究用于预测高冲击聚苯乙烯、聚二甲基硅氧烷和苯乙烯嵌段共聚物弹性体的含氧嵌段聚合物替代品。预测的嵌段聚合物化学结构展示了PolyReco识别新聚合物组合的能力。PolyReco还能够预测之前未报道过的嵌段结构，包括更复杂的三元共聚物。在所有三个例子中，预测材料的实验机械性能均符合预期阈值，在某些情况下，热性能也符合现有标准。这项研究强调了使用机器学习方法简化可持续聚合物材料发现的可能性。未来的发展应基于现有数据库和平台，结合更多材料属性（如杨氏模量、韧性、蠕变或粘弹性响应），前提是能够获得足够整理的数据集。PolyReco有潜力显著加速可持续聚合物材料的发现，帮助指导实验以识别新的ABA嵌段聚合物组合，替代当前使用的塑料和弹性体，并随着领域的发展不断更新和纳入新的聚合物结构和化学成分。