浙江
阴离子交换膜是决定阴离子交换膜燃料电池能量/功率密度、循环寿命等性能的核心部件，也是当前阴离子交换膜燃料电池汽车亟需进一步发展的关键材料，然而其商业化进程仍受制于各个性能之间的权衡关系。中国科学院长春应用化学研究所李宏飞团队围绕阴离子交换膜的组成工艺和性能数据库开展了大数据研究，聚焦阴离子交换膜的组成-工艺-结构-性能关系，为基础研究和应用开发提供理论参考和工具支持。
在前期利用人工智能设计聚合物膜材料的积累上（J. Membr. Sci.2016, 504, 1; J. Membr. Sci.2018, 549, 393; J. Mater. Chem. A,2019, 7, 11847； J. Mater. Chem. A, 2020, 8, 21862； ACS Appl. Mater. Interfaces 2021, 13, 58838−58847； Chinese J. Polym. Sci . 2022, 40, 834–842），作者团队构建了一个自动化的人工智能管道来筛选阴离子交换膜候选共聚物的广阔化学空间。该管道利用集成了12种人工智能算法的遗传算法来筛选共聚物，这些共聚物有可能通过聚合物疏水和亲水骨干和阳离子基的进化来提高AEM性能。通过对实验报道的749种共聚物的数据挖掘，该管道自动生成了超过1.72亿种假设共聚物，并根据预测的性能指标 (OH - 电导率、电导率-尺寸稳定性权衡系数和Pareto边界集中阳离子的LUMO)筛选出2519种潜在的候选共聚物。审稿人对该筛选结果评价到：“It is surprising that among many candidates, this work suggests the best copolymers are the one with Phil1 and Pho1 (with fluorene) and bicyclic or cyclic ammonium groups as cationic groups. This is exactly the same copolymer that this reviewer is thinking.”为了更好的促进人工智能技术在聚合物膜材料领域的应用，作者团队发布了一个独立的软件，将这些预测模型和筛选的候选共聚物与预测的AEM性能指标集成在https://github.com/polySML/polySML-AEM上。
图1 自动化机器学习设计聚合物膜材料的研究框架
图2 文中新提出的离子传导-尺寸稳定性（CDST）指标
图3 对当前主流阴离子交换膜聚合物骨架和阳离子基团的聚类分析
图4 自动化机器学习流水线预测阴离子电导率和CDST的模型性能
图5 自动化机器学习针对离子传导率和CDST对共聚物化学空间的筛选结果
图6 用于快速筛选阴离子交换膜材料的软件polySML-AEM，软件著作权号：2023SR1489180.
该工作以“Expert-augmented machine learning to accelerate the discovery of copolymers for anion exchange membrane”为题发表在最新一期的《Journal of Membrane Science》上。第一作者为中国科学院长春应用化学研究所特别研究助理刘伦洋，通讯作者为李宏飞研究员和李云琦教授。作者特别感谢国家自然科学基金项目(22173094、51988102、22203088)、中国一汽集团有限公司自主创新科技重大专项(关键技术研发)项目(20220301018GX)、国家科技重大专项(2021YFB3801500)、贵州大学人才基金项目(C0048072)的资助。作者团队感谢中科院长春应用化学研究所网络与计算中心的大力支持。
https://doi.org/10.1016/j.memsci.2023.122327
来源：高分子科学前沿
声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
