科学家用AI辅助开发耐热聚合物，为解决航电领域储能需求提供方案

美国斯克利普斯研究所卡尔·巴里·夏普莱斯（Karl Barry Sharpless）教授因其在不对称有机合成和点击化学领域的卓越贡献，曾分别于 2001 年和 2022 年获得诺贝尔化学奖。

 

2014 年，夏普莱斯团队第一次推出新一代点击化学——硫氟交换化学（SuFEx）。此反应具有副反应少和反应性可控的特点，并且每个硫酸酯键产率接近定量，是聚合反应的理想选择。

 

近期，美国劳伦斯伯克利国家实验室刘毅高级研究员团队与夏普莱斯教授课题组、美国威斯康星大学麦迪逊分校李颖教授课题组合作，在高效点击化学的基础上，通过机器学习辅助聚合物结构优化设计，成功开发出能够承受极端温度与电场的高性能介电聚合物材料。

 

 在以往的多数研究中，研究者们往往基于经验与化学直觉进行聚合物材料结构设计，并通过大量实验进行试错与验证。

 

该方法将机器学习与实验验证相结合，显著缩短了材料研发周期，同时着眼于应用新一代的点击化学将研究拓展至新型、高效率合成的聚硫酸酯材料。

 

该团队设计并预测了约 5 万种聚硫酸酯材料，并从中筛选出了三种最具潜力的材料，而这一过程在传统实验方法中是难以实现的。

 

 

该研究成功解决了介电聚合物热性能与电性能的平衡难题。新型高性能耐热聚硫酸酯材料不仅能够在高温下保持稳定的性能，而且有助于推动高温电容器技术的发展，以及实现设备的小型化。

 

此外，这些材料有望与现有的工业生产线兼容实现批量化生产，并广泛应用于混合动力汽车、地下油气勘探、地热能源利用和电气化飞行器等高温工作环境中。

 

通过这种先进方法，研究人员能够更高效地探索和开发新型高性能材料，以满足现代工业对耐高温材料日益增长的需求。

 

日前，相关论文以《机器学习-加速发现耐热的用于静电储能的聚硫酸酯》（Machine learning-accelerated discovery of heat-resistant polysulfates for electrostatic energy storage）为题发表在 Nature Energy[1]。

 

劳伦斯伯克利国家实验室博士后研究员李禾、斯克利普斯研究所博士后研究员郑泓波, 威斯康星大学麦迪逊分校博士研究生岳天乐和劳伦斯伯克利国家实验室博士后研究员谢宗良是共同第一作者。

劳伦斯伯克利国家实验室刘毅高级研究员、斯克利普斯研究所卡尔·巴里·夏普莱斯（Karl Barry Sharpless）教授、威斯康星大学麦迪逊分校李颖教授担任共同通讯作者。

 

如何解决静电储能电容器的实际应用需求？

在电气化领域，静电储能电容器应用对介电聚合物提出了轻质、柔性、耐高电压、耐高温等要求。

 

目前，双向拉伸聚丙烯（BOPP，Biaxially oriented polypropylene film）作为最常用的商用聚合物材料，虽然具备高耐电特性和稳定性，但其耐热性较差，难以在 150℃ 或更高温度的工作环境下长期运行。

 

然而，混合动力汽车、地下油气勘探、地热能源利用、电气化飞行器等工作环境的温度，可能达到 200℃ 甚至更高。

 

为了应对这一挑战，研究者们致力于开发新型的耐热介电聚合物，例如聚酰亚胺、聚醚酰亚胺和芴聚酯等。需要了解的是，这些材料虽然具有较高的玻璃化转变温度，但其较低的禁带宽度限制了它们在高温下的耐电特性。

 

在高温和高电场条件下，这些材料可能会因为热刺激电荷的注入和迁移而导致较大的漏电流，这会对材料的储能性能和长期运行的稳定性造成影响。因此，开发能够在高温下保持稳定性能的高性能耐热新材料显得尤为重要。

 

新型材料需要在高温下保持优异的介电性能和储能特性，以满足电气化领域对高性能介电聚合物的需求。

 

在 200℃ 及充放电效率 90% 以上时，放电能量密度达新高

 

该研究是一项历时三年的系列研究。在此前的研究中，刘毅课题组首次将聚硫酸酯材料作为介电材料应用于高温静电储能电容器 [2]。

 

研究发现，聚硫酸酯 P3 中芳香基团赋予了材料较高的玻璃化转变温度，而硫酸酯键连接破坏了 π-π 共轭，从而为材料较高的禁带宽度提供了保障。

 

刘毅解释说道：“这种结构特性使得聚硫酸酯材料在热性能与电性能之间实现了良好的平衡，并展现出优异的高温储能特性。”

 

据了解，研究整体架构的构思是研究过程中最具挑战的技术难点，即如何解析聚合物化学结构-储能特性的相关性，并基于此设计实验探索、开发新型聚合物材料。

 

此前，李颖课题组的研究表明 [3]，在各类机器学习方法中，前馈神经网络（FNN，Feedforward Neural Network）在充足的训练数据下表现出卓越的泛化预测能力，能够对训练集之外的聚合物做出更准确的预测。

 

研究初期，科研灵感来自于李禾和李颖在学术会议上的交流，他们意识到机器学习可以推动聚合物材料研究的进展。“这与我们一直想研究的方向不谋而合。”刘毅说。

 

在该研究中，研究人员选取了 FNN 模型对介电聚合物的热学与介电特性进行预测，并通过网格搜索（Grid Search）优化模型参数，以基于不同神经网络层数、神经元数的训练，找寻出预测精度最高的一组作为最终的模型结构。

 

他们设计了该工作流程（如下图所示），采用机器学习辅助的方法，显著缩减了实验验证的时间，并快速地筛选出了目前最具潜力的聚硫酸酯材料。

 

材料的合成是研究过程中的另一个技术难点，为此，研究人员致力于探索如何成功合成出无杂质、高分子量的聚硫酸酯材料。

 

在与李颖课题组的一次交流中，联合团队确立了使用合成可行性指数预测材料合成难易程度的方法。

 

刘毅表示，这十分有利于后续的材料筛选与材料合成，并有效地缩短了研发时间，最终实现了高性能聚硫酸酯的成功开发。

 

值得关注的是，新发现的聚硫酸酯 P6 表现出卓越的热稳定性和高储能密度，在 200°C 和超过 90% 的充放电效率下实现了 6.37J/cm³ 的放电储能密度。

 

此外，P6 不仅具有高的玻璃化转变温度（Tg 超过 300°C）和电子带隙（Eg 大于 3.7eV），还展现出良好的介电常数（k 值在 3.2-3.5 之间）和低介电损耗（tan δ 小于 0.25%）。

 

“上述指标分别与材料耐热性能、材料介电性能和材料储存能量的能力密不可分。”刘毅表示。

 

为解决该问题，合作团队采用了高效的硫（VI）氟交换（SuFEx）点击化学，它是高效的、普适的化学反应，也是材料合成的关键。

 

新一代的点击化学不仅是材料库（聚硫酸酯）设计的起点，也是确保机器学习后续能够实验验证的前提。在此基础上，他们成功合成了目标聚合物，并优化了制备纯净薄膜的方法。

 

审稿人对该研究评价称，“文章结构与实验设计均十分合理，并且数据分析透彻。”

 

与诺奖得主团队的“强强联合”

这项研究是三个团队合作的成果，他们在研究过程中结合各自优势并互补融合，共同推进了研究的进展。

 

在该研究中，刘毅课题组主要负责实验的构建和性质反馈，聚焦于聚硫酸酯薄膜材料制备与热和电性能表征。

 

李颖课题组则专注于利用机器学习预测材料特性，而夏普莱斯课题组重点解决聚硫酸酯材料的合成工作。

 

在刘毅谈及与合作者在化学方面的交流时表示，与夏普莱斯教授关于硫酸酯键的本质的多次探讨，总是能激发新的想法，并不断为后续工作提供灵感。

 

刘毅团队长期从事官能性聚合物材料的设计，涉及有机半导体材料在有机电子学中的应用、共价有机框架材料、有机无机杂化材料在能源中的应用等。同时也致力于基础性研究，例如拓扑化学聚合等。

 

“这些方向符合我一直以来用简单直接的有机化学的方法来创造新能源材料的兴趣，近年来我们也越来越多地关注到偏应用的工程方向。”刘毅表示。

 

以该研究为例，研究人员在学习摸索的过程中，一方面感受到机器学习带来的巨大便利，另一方面也着眼于未来，希望能尽快实现更自主驱动的人工智能在材料设计和开发方面的应用。

 

他指出，聚硫酸酯只是硫氟交换化学的产物之一，其在材料的设计上还有很大潜力。“无论是在用自我生成的机器学习优化材料设计方面，还是在功能化学键的聚合反应选择方面，我们目前所做的只是冰山一角。”

 

据悉，该研究中的核心技术已经申请专利，他们计划继续推动材料的设计和性能改进，并希望与相关企业和创业者共同探讨，以推动技术的工业化进程。

来源丨DeepTech深科技