利用机器学习辅助的自由基聚合技术实现定制共聚物的合成

《Polymer》：Machine learning-assisted free radical polymerization for tailor-made copolymer synthesis

　　曹晓琴|吴晨鹏|唐新洲|冯玉军|张永清|尹宏耀
四川大学先进高分子材料国家重点实验室聚合物研究所，成都，610065，中国

**摘要**
共聚物的性质和性能从根本上受其组成和分子量的控制；然而，通过传统的自由基聚合方法实现定制聚合物的合成仍然是一个长期存在的挑战。为了解决这一挑战，将机器学习直接嵌入到聚合过程中，建立了一个多功能聚合平台，该平台能够在计算机上将反应参数与聚合物结构建立映射关系。该平台在预测分子量、共聚物组成和转化率方面具有很高的准确性，同时能够准确预测转化率变化对组成的影响。此外，多变量特征分析表明，引发剂/共引发剂、单体和链转移剂的浓度以及初始单体进料比是控制实验结果的主要因素。值得注意的是，该平台能够通过为预设计的聚合物规定实验条件来进行逆向设计，从而实现具有预定组成和分子量的共聚物的实验合成，且相对误差可以忽略不计。本研究证明了机器学习辅助的传统自由基聚合方法能够实现按需合成聚合物，为将聚合物开发从经验性的试错方法转变为数据驱动的制造方法提供了有前景的途径。

**引言**
共聚物的性质和性能主要由其分子结构决定，特别是组成和分子量[[1], [2], [3]]。因此，可控地合成定义明确的聚合物仍然是聚合物科学的核心目标[[4], [5], [6]]。人们已经投入了大量努力研究先进的聚合策略，包括可见光介导的自由基聚合[[7], [8], [9]]和可逆失活自由基聚合[[10], [11], [12], [13]]，这些策略能够精确控制分子量、分子量分布和共聚物组成。然而，反应系统的复杂性和原材料的高成本严重限制了它们在大规模工业生产中的应用。相比之下，传统的自由基聚合由于其操作简便性、可扩展性和成本效益[[14], [15], [16], [17]]，仍然是生产聚丙烯酰胺等聚合物的主要工业技术。尽管如此，使用这种方法实现定制聚合物的合成仍然具有挑战性。与可逆失活自由基聚合等先进聚合技术相比，缺乏活性物种的捕获和释放过程阻碍了传统自由基聚合对分子量和/或分散度的控制。此外，聚合物结构（包括分子量和共聚物组成）在聚合过程中受到复杂耦合的实验变量的共同影响[[14,18,19]]。经典的理论模型，如Mayo-Lewis方程和Mayo方程[20,21]，可以量化聚合条件与结构参数之间的关系，并为定制聚合物合成提供指导[[22,23]]。然而，使用这些模型仍然需要一些耗时的迭代优化，而且直接为预设计结构设计精确的聚合配方仍然是一个具有挑战性的任务。鉴于传统自由基聚合的工业重要性，开发新的方法来指导预设计结构聚合物的精确合成在科学和技术上都具有重大意义。

近年来，机器学习（ML）已成为材料科学中的一个强大工具[[24], [25], [26], [27], [28]]。ML算法可以分析高维数据集，揭示材料组成、加工条件、结构和性能之间的复杂非线性关系，从而加速材料发现和设计[[29], [30], [31], [32], [33]]。尽管当前的研究已经成功地将ML技术集成到聚合工程中，实现了对聚合物特性的精确控制，包括分子量分布[[34], [35], [36], [37]]和分子量[[38,39]]，但这些研究主要集中在先进的聚合技术上。例如，陈等人[39]将ML与可逆失活自由基聚合技术结合，合成了具有预定分子量的聚合物。Matyjaszewski等人[40]将ML与配位聚合结合，工程化了具有定制分子量分布的聚合物。因此，ML是否能够帮助主导的工业过程——传统自由基聚合——高效地实现目标聚合物合成，仍然是一个需要验证的开放性问题。

本文建立了一个多功能聚合平台（图1），以证明ML技术指导传统自由基聚合实现具有预定分子量和组成的聚合物合成的可行性。选择了丙烯酰胺和2-丙烯酰胺-2-甲基丙磺酸（AM-AMPS）的自由基聚合作为模型系统，这是一种重要的工业生产聚合物的技术。通过整合我们实验室的历史实验数据和已发表的文献，编制了一个全面的数据集。聚合结果从内在粘度（[η]）、AMPS比例和单体转化率等方面进行了表征。开发了ML模型来定量捕捉实验参数与结果之间的关系。随后进行了特征重要性分析，以阐明关键变量对[η]、共聚物组成和转化率的影响。最后，利用该平台的预测能力，成功执行了聚合方案，合成了具有目标[η]和组成的聚合物。虽然使用AM-AMPS共聚物系统进行了演示，但该框架可以通过扩展数据库轻松扩展到其他共聚物系统。

**材料**
丙烯酰胺（AM，30%水溶液）由山东瑞海新材料有限公司（淄博，中国）提供。2-丙烯酰胺-2-甲基丙磺酸（AMPS，≥99.2%）从山东联盟化工有限公司（寿光，中国）购买。2,2′-偶氮[2-(2-咪唑啉-2-基)丙烷]二氢氯化物（≥98%）、D2O（99.9%）、叔丁基过氧化氢（70%水溶液）和异丙醇（99.8%）从Adamas（上海，中国）购买。Na2S2O5（96.0%）从Aladdin Chemical购买。

**数据集和分析**
本研究中使用的数据集来自我们实验室之前进行的AM和AMPS共聚物实验，以及我们之前使用传统自由基聚合的研究[14]。实验变量包括Ci/Cm、Cci/Cm、Ct/Cm、Cc、Cm、温度和AMPS进料比，而聚合结果则通过[η]、聚合物结构中的AMPS比例和单体转化率进行表征。在研究中，[η]被用作...

**结论**
本研究证明了机器学习指导的传统自由基聚合能够实现按需合成定制聚合物。为此，我们开发了一个多功能聚合平台，该平台（i）建立了实验条件与聚合结果之间的定量关系，（ii）进行了多变量特征分析，（iii）为实现目标聚合物结构制定了可行的合成条件。该平台展示了高...

**作者贡献声明**
曹晓琴：撰写——原始草稿、方法论、调查、形式分析、数据管理。
吴晨鹏：撰写——原始草稿、方法论、形式分析、数据管理。
唐新洲：方法论、形式分析。
冯玉军：监督、资源提供。
张永清：撰写——审稿与编辑、监督、资金获取、概念化。
尹宏耀：撰写——审稿与编辑、验证、监督、资金获取、概念化。

**利益冲突声明**
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：尹宏耀报告称获得了四川省科技计划的财政支持。作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

**致谢**
本研究得到了四川省科技计划（2023ZYD0025和2024NSFSC0197）的财政支持。