球前瞻|特拉华大学教授Arthi Jayaraman:用于高分子与软材料设计及理解的分子建模、模拟与机器学习
2026-11-18能否先提出材料需要达到的性能,再反过来寻找分子结构与配方?面对越来越多的实验图像,能否更快判断材料内部发生了什么?这些问题,正在把高分子研究从依赖逐次试验,推向计算、数据与实验协同的设计方式。
在2026年4月30日ACS Webinars关于人工智能与高分子设计的网络研讨会中,特拉华大学教授Arthi Jayaraman围绕“分子建模、模拟与机器学习如何用于高分子及软物质的设计和理解”展开分享。ACS是美国化学会,既组织学术交流,也出版包括Macromolecules在内的学术期刊。
这份报告把“设计材料”和“理解材料”连接起来:既要从分子结构推演性能,也要从实验信号反推内部结构,再根据目标性能寻找新的配方。下面按原顺序呈现40张完整报告,结合中文解读与产业分析,拆开这条研发路径中的关键问题。
报告原图:Arthi Jayaraman / ACS Webinars,2026年4月30日。以下中文解读为编辑整理。
一、AI进入材料研发,首先要明确解决什么问题
从分子建模走向材料设计

分子建模、模拟与机器学习,可以分别理解为“搭建材料的数字模型”“观察模型如何演化”和“从大量结果中寻找规律”。例如,先描述聚合物链的组成与连接方式,再模拟链段如何聚集,最后建立结构与性能之间的关系。这让研发者既能提出候选材料,也能追问:它为什么会有这样的表现?对高分子与软材料而言,这两个问题往往需要一起解决。
计算工具覆盖哪些研发环节

图中把计算的作用延伸到设计、优化、定制与可持续发展。对应企业的日常工作,就是少做一些缺乏方向的配方试验,更早识别值得投入的方案。实际切入口可以很具体:原料替换后黏度如何变化,同一用途能否减少某种组分,性能相近的方案里哪一种更容易加工。把研发难题拆成清楚的输入与输出,算法才有可发挥的空间。
航空与汽车:结构和服役条件同样重要

航空与汽车材料的难点,是轻量化、强度、耐久与制造要求需要同时满足。以纤维增强复合材料为例,即便树脂和纤维种类相同,纤维排列和界面状态不同,载荷传递方式也会改变。报告将结构设计、应力响应和疲劳问题放在一起,提示我们:计算工具需要连接“材料怎么组成”与“部件怎样使用”。这也为理解不同加工批次之间的性能差异提供了思路。
食品包装:多项指标之间寻找平衡

包装材料是典型的多目标设计问题:既要保护内容物,又要兼顾加工、成本与环境要求。提高某一种性能,可能牵动另一个指标。计算方法的作用,是帮助研发者看清这些取舍,在候选树脂、添加剂和结构方案中寻找更合适的组合。对于可持续包装,值得关注的也不仅是原料来源,还包括使用阶段是否减少损耗、现有生产线能否加工,以及废弃后进入怎样的回收或处置体系。
化妆品配方:从候选成分到规模化制造

化妆品同样是一类复杂软材料:多种成分共同决定稳定性、流变行为和使用感受。报告以IBM与欧莱雅合作为例,说明数据工具正在进入成分选择与配方开发。这里的产业价值,是把过去分散在实验记录、原料资料与工程经验中的信息联系起来。替换一种原料时,研发团队可以同时考虑它在配方中承担的作用,以及替换后需要重新调整的其他组分。
二、把化学组成、材料结构和性能连接起来
物理化学模型与机器学习如何互补

物理化学方法擅长把相互作用、结构演变等机制写进模型,机器学习擅长从大量输入与结果之间提取关联。二者结合,可以形成分工:模拟产生可分析的结构与轨迹,机器学习加快筛选,实验再提供修正依据。对材料企业而言,值得积累的不只是最终性能表,还包括能解释这些性能的中间信息,例如结构特征与加工条件。这样的数据更容易支撑后续设计。
从散射分析到逆向设计的工具链

这张图展示了一条覆盖多个环节的工具链:ML-CREASE从散射信号理解结构,显微图像分析提取图像特征,PairVAE连接不同表征方式,RAPSIDY服务于逆向设计。它们共同回答的是:如何把实验与模拟产生的信息,转成下一轮研发可以使用的知识?企业可以按当前瓶颈选择入口——数据看不完时先做分析,候选太多时先做筛选,目标明确时再考虑逆向搜索。
结构—性能关系中的“结构”不止一种尺度

这张结构—性能图是理解整份报告的钥匙。最左侧是化学设计,中间是从纳米到微米尺度的组织结构,右侧才是应用性能。高分子的特殊之处在于:同一种化学组成,可以因链排列、相区分布或网络结构不同而呈现不同表现。因此,“换一种单体”和“改变材料组织方式”都是设计手段。把中间结构层补充完整,才能更好解释配方相近、性能却相差明显的现象。
教育平台也是方法推广的一部分

MIDAS项目强调跨学科计算教育。它回应了材料数字化中的一个实际问题:懂算法的人需要理解实验数据怎样产生,懂材料的人也需要理解模型怎样得到结果。如果双方对变量和目标的理解不同,再复杂的模型也容易偏离研发需求。对企业而言,培养能够在材料、实验与数据之间沟通的人,是让工具持续发挥作用的重要条件。
报告的三条主线

报告分为三条主线:设计嵌段聚合物、分析复杂表征数据、解决企业提出的问题。三者对应研发中的三个时刻:做材料之前选择方向,得到样品之后理解结构,面向需求时寻找可行方案。沿着这条顺序阅读,就能看到计算方法怎样嵌入完整研发过程,而不只是停留在某一张预测曲线上。
三、逆向设计:从“试什么材料”转向“需要什么性能”
嵌段聚合物的设计变量

嵌段聚合物可以理解为把不同性质的聚合物链段连接起来。它们既彼此相连,又具有不同的相互作用倾向,因此能够组织成丰富的微观形貌。图中关注的序列、链长与组成,正是调节这种组织方式的设计变量。逆向设计要做的,是从希望得到的形貌和性能出发,寻找适合的链结构组合,让分子设计更有方向。
RAPSIDY尝试缩短候选方案的搜索过程

传统研发通常从候选配方或分子结构出发,合成和测试后再决定下一步。RAPSIDY把结构分析与逆向设计联系起来,让计算先在候选空间中搜索。这样做的意义,是把实验资源集中到更有希望的区域。对高分子研发而言,实验仍然承担确认结果与发现新现象的作用,而搜索工具可以帮助研究者更有依据地决定“下一批该做什么”。
热导率案例:链刚性与取向需要一起考虑

图中把链刚性、排列方式与热导率联系起来。对这一模拟体系而言,提高链刚性、使结构沿传热方向排列,有助于改善相应方向的热传导。值得读者关注的是“方向性”:导热并非只有一个材料常数,微观取向也可能影响热量沿不同方向的传递。由此看,导热材料开发可以同时研究化学结构、微观有序结构与加工形成的取向,而不只围绕配方比例调整。
四、结构表征:让算法帮助理解实验信号
从材料设计转向表征分析

设计得到的理想结构,最终需要与样品中真实形成的结构对接。报告由此转入表征分析:材料内部怎样排列,是否出现了预期的相区或取向?这些问题把设计与实验连在一起。对于研发人员,表征结果的价值在于解释性能差异,并为下一轮配方或工艺调整提供方向。
高通量实验带来的分析压力

高通量设备可以快速产生大量散射图和显微图,但研发团队逐一解释这些数据的速度往往跟不上。机器学习在这里承担“信息提取”的角色:把大量曲线与图像转成可比较的结构特征。这样,表征就有机会从少数样品的事后说明,变成贯穿筛选过程的反馈工具,帮助团队更快定位值得深入分析的异常或趋势。
从观测结果反推内部结构

实验仪器给出的是散射强度、图像等观测结果,研发人员真正关心的却是颗粒、链或相区怎样组织。这就是结构反演的出发点:从看得见的信号,理解看不见的内部结构。它与正向模拟恰好相反——正向模拟先有结构再计算信号,反演则利用信号寻找相容的结构。把两条路径接起来,就可以不断缩小解释范围。
ML-CREASE如何利用散射数据

ML-CREASE的思路可以拆成三步:输入实验散射数据,生成候选结构并计算其散射,再比较计算与实验结果。经过搜索,得到与观测相符的结构描述。机器学习的加入服务于这一分析过程。对于材料研发,价值在于让复杂散射图更接近可讨论的结构信息:我们不只看到一条曲线发生变化,还能进一步追问内部组织可能发生了什么变化。
二维散射案例:保留方向信息

二维散射图不只包含强弱信息,也保留方向差异。把图像想象成材料结构的一种“信号指纹”,不同方向上的分布就可能帮助研究取向。报告用二肽溶液展示CREASE-2D的分析流程,其方法启发是:数据处理中应尽可能保留与研究问题相关的信息,而不是一开始就把复杂信号压缩成少数数值。
从方法演示到可复用分析流程

这一页进一步展示由散射分析得到的结构解释,包括尺寸分布、横截面形状、柔性和取向等特征。也可以理解为从一张实验图逐步拆出“多粗、多长、怎样弯曲、朝哪里排列”等结构问题。这样的输出更便于与材料机理讨论连接,也更适合反过来指导下一步表征与样品设计。
结构反演需要独立验证

报告提出三条交叉检查路径:显微观察、分子模拟,以及由结构推演的可测性能。它们相当于从不同角度观察同一个材料。散射反映统计结构信息,显微图像提供空间形貌线索,性能测试体现结构的功能结果。把这些证据放在一起,既有助于选择更合理的结构解释,也能让结构—性能关系的讨论更加具体。
PairVAE:连接散射与显微两类信息

PairVAE把散射与显微信息联系起来。散射擅长提供样品整体的统计信息,显微图像则能直观展示局部形貌;二者各有观察尺度和信息特点。通过学习配对数据中的联系,模型尝试把一种表征中的信息映射到另一种表征。对产业研发的启发是,跨设备数据不应长期各自存放,而应围绕同一批样品建立关联,形成更丰富的结构描述。
五、真实研发问题:模型选择要跟着数据走
从表征方法转向企业问题

企业问题通常从明确的功能需求出发:配方需要达到怎样的吸水率,表面结构怎样影响表现,分子如何与界面相互作用。报告接下来把前面的建模与分析方法放进这些任务。这里值得学习的是问题组织方式:先把业务语言转成材料变量,再选择计算路线,让算法输出能够对应到具体研发决策。
计算课程如何对接软物质问题

“计算工具+软材料知识”的课堂组织方式,把方法训练嵌入实际问题。这样的路径也适用于企业内部的小规模探索:选择一个数据已经积累、目标清晰的难题,先形成可运行的分析流程。相比一开始覆盖所有材料体系,围绕具体任务积累经验,更容易建立团队信任,并看清下一步还需要补充哪些数据。
跨专业团队与行业导师协作

项目采用3至4人的跨专业小组,并引入行业导师。材料人员明确变量背后的意义,计算人员选择表达与求解方式,行业导师帮助聚焦实际需求。这种协作的重要性在于:一个变量在实验记录中可能只是简称,但在模型里必须成为清晰、一致的输入。很多项目的进展,来自这类基础信息的重新整理。
合作单位与参与范围

合作单位涵盖化工、材料、消费品企业及国家实验室,反映出软材料计算问题的广泛来源。它们的产品和业务不同,却都需要处理多组分、复杂结构与多目标性能。对协同创新平台而言,这提示可以围绕共性方法组织合作,例如配方数据规范、结构特征提取和模型评价,再由企业结合各自场景使用。
不同问题对应不同计算路线

图中的项目覆盖图像分析、形貌与性能、配方优化、离聚物、气味、涂层及药物扩散。其共同点是把宽泛需求拆成可研究的局部问题。例如,“改进材料”过于笼统,而“比较配方对某项性能的影响”就可以进一步定义数据与评价方式。计算工作的第一步,往往正是这种问题拆解。
六、小样本配方设计:一个杜邦合作项目的启示
先理解案例的项目背景

杜邦合作项目以聚合物共混配方为对象,采用机器学习探索逆向设计。这类问题很贴近企业日常:已有一批历史配方和测试结果,希望从中找出更合适的新组合。它说明数字化研发可以从已有实验积累起步,先把历史记录变成可计算的数据,再逐步建立配方与目标之间的联系。
正向预测与逆向设计是两件事

图中上半部分是正向设计:输入配方,预测吸水率、硬度和热导率;下半部分是逆向设计:提出目标性能,寻找候选配方。两者之间存在依赖关系。对研发管理者而言,合理的推进顺序是先了解哪些性能已经能够稳定预测,再决定哪些目标适合进入自动搜索,这样更容易把计算结果转成可执行的实验方案。
为什么不直接采用分子模拟

多组分配方包含复杂的化学与结构信息,直接开展分子模拟需要合适的模型参数和计算资源。这个项目选择从已有配方与性能数据出发,体现了任务与方法的匹配:有明确组分和相互作用信息时可以深入模拟,有历史样本时可以先探索统计关联。企业可以根据手里的数据逐步推进,而不必等待建立一个覆盖全部细节的数字模型。
78组配方能支持怎样的结论

这一页给出了数据底座:78组配方、28种匿名原料、3项性能,其中71组用于训练,7组用于测试。横向看,每一组配方由多种原料共同组成;纵向看,历史试验覆盖了有限的组合。这样的数据组织让经验记录能够进入计算,但也提示研发团队关注配方空间:哪些组合已经做过,哪些区域还缺少样品,下一轮实验应当补在哪里。
比较模型,更要比较评价条件

项目比较线性模型、树模型以及近邻和高斯过程等方法。可以把它们理解为用不同方式描述“配方变化怎样对应性能变化”:有的强调较简单的整体趋势,有的能够表达更复杂的组合关系。对小样本研发,模型比较的意义在于找到与当前数据匹配的表达方式。清楚、稳定、能帮助选择下一轮实验的预测,才是实际有用的结果。
热导率预测困难暴露了数据缺口

图中吸水率与硬度的预测相对较好,热导率则更难预测。报告提出一个值得继续研究的方向:缺少加工相关信息。这对聚合物研发很有启发——同样的原料比例,经过不同加工过程,可能形成不同的结构状态。遇到预测困难时,除了继续调整算法,也可以回到材料过程,检查数据库是否遗漏了影响结果的重要变量。
粒子群优化怎样搜索候选配方

粒子群优化可以理解为让一组候选配方在设计空间中协同搜索:根据当前预测效果不断调整,向目标更接近的区域移动。损失函数负责把“离目标还有多远”写成可计算的指标,多目标设计则把多个指标共同纳入。对于配方研发,这提供了一种整理目标优先级的方式:哪些性能必须达到,哪些可以适度权衡,哪些组分比例需要限制。
双目标结果应怎样阅读

这张图用吸水率2.5%和硬度120作为双目标示例。灰点表示训练数据,红色标记表示目标,候选预测还带有误差范围。图中的权重参数λ把预测均值和预测不确定性共同带入优化:研发团队既可以寻找更接近目标的方案,也可以考虑选择把握更大的区域。这让“性能接近目标”和“预测可靠程度”成为可以一起讨论的设计因素。硬度值沿用报告标尺。
七、分子模拟案例:把界面和环境放回问题中
湿发气味项目的研究背景

湿发气味项目把视角从配方表转向分子与界面。实际研发中,气味表现不仅与分子本身有关,也与它在材料表面的停留和释放有关。通过分子模拟观察这些过程,可以帮助研究者提出更具体的问题:哪些分子更容易接近表面,水环境如何影响它们的位置,配方调整应针对哪一种相互作用。
气味分子与香气分子的作用对象

报告列出二甲硫醚、紫丁香酚(syringol,2,6-二甲氧基苯酚)以及芳樟醇、苯乙醇等分子,将气味分子和香气分子放在同一界面问题中研究。对于配方人员,关键不仅是加入什么香气成分,还要理解这些分子如何与湿润表面相互作用。把分子行为与使用场景联系起来,有助于让配方选择更接近实际需求。
粗粒化模型保留什么、简化什么

Martini V2粗粒化模型把多个原子归并为较少的计算单元,以便研究更大尺度的分子行为。图中用接枝脂质和刚性表层描述头发表面,周围存在水环境。可以把它看成突出关键特征的研究模型:简化部分细节,集中观察分子在界面附近怎样分布与运动。对复杂软材料,这种尺度选择往往决定哪些问题能够在可用时间内研究清楚。
从相互作用图到可验证假设

这一页把不同分子与表面的相互作用直观呈现出来。动态图景的价值,是帮助建立“分子性质—界面行为—使用表现”之间的解释路径。进一步分析时,可以围绕停留、接近和释放等过程提取可比较的指标,再与实验联系起来。这样,模拟就能从一幅容易理解的画面,推进为支持配方判断的分析工具。
八、把报告中的方法转化为产业研发能力
从项目实践沉淀可复用流程

报告最后给出相关课程实践的进一步阅读。贯穿这些案例的共同方法是:提出具体问题,组织数据,选择计算方式,再把结果交回研发流程。对企业与创新平台而言,可持续积累的能力正是这种循环——新实验带来新信息,模型帮助选择新实验,团队逐步形成对材料体系更深入的理解。
致谢

对高分子产业的三点启示
第一,材料数据建设应覆盖“组成—工艺—结构—性能”。配方案例中热导率预测受阻,以及嵌段聚合物模拟中取向对传热的影响,共同提示:只记录原料比例与最终测试值,可能不足以支撑稳定预测。对共性技术平台而言,统一加工、表征与测试数据的关联方式,是值得优先建设的基础。
第二,表征智能化的价值要由独立证据检验。ML-CREASE和PairVAE展示了从信号与图像获取结构信息的路径,但结构反演存在模型假设与非唯一性。产业评价宜同时关注准确性、适用范围和交叉验证,而非只以拟合曲线是否漂亮衡量结果。
第三,逆向设计应嵌入可验证的研发闭环。78组配方的案例说明,小样本也能用于探索设计方法,但算法搜索无法弥补正向预测和数据覆盖的不足。更稳妥的转化路径是先在明确边界内提出候选,再通过实验更新数据和模型,逐步扩大可用范围。
对于国家先进高分子材料产业创新中心这类协同创新平台,上述方法提供了一个可讨论的方向:围绕共性技术问题,推动高校、企业和测试验证团队共享问题定义与评价口径,让计算建议能够落到可重复的实验任务上。通过共同定义问题、关联数据与设计验证任务,可以让不同单位的研发积累更容易转化为可共享的方法。
获取完整报告
欢迎关注微信公众号“国家先进高分子材料产业创新中心”,在后台回复关键词【高分子AI】,获取本次分享的40页完整报告。欢迎转发给从事高分子研发、配方设计、材料表征与数字化研发的同行。
往期研报
覆盖研报主题(持续更新中)
一手产业研报覆盖高分子材料众多细分赛道,与公众号同步。关注公众号,在后台回复对应关键词,即可查看相关研报。
充电桩、机器人、高频通讯、固态电池、风电材料、电子皮肤、商业航天、连接器、氢能、化学回收、钙钛矿电池、光伏胶膜、化工新材料、半导体塑料、气凝胶、毫米波雷达、碳纤维、高性能纤维、电池隔膜、轨道交通、绿色石化转型、涂料、磷系阻燃剂、家电材料、热管理、COP、仿生皮肤、光模块、机器人尼龙、ABF膜、3D打印商用航天、车灯材料、OCA胶、消费3D、高分子AI……
推荐阅读
PPT分享 | 李元元院士在中国材料大会2026分享《面向2035中国新材料发展战略思考》
免责声明
本文用于技术交流与产业研究参考,中文解读不代表报告人、ACS或相关机构的正式意见。模型预测与研究展望存在不确定性,材料性能及方法适用性受配方、加工、测试条件与数据范围影响,具体应用需独立验证。报告图文及相关商标版权归原作者或权利人所有;本次整理不改变原有权利归属。公开获取不等于获得转载许可,图文转载和报告分发应遵守权利人的授权要求。



.jpg)








