科学家用AI开发生物降解材料，可短时间测试数百种材料，实现全天然复合材料多性能高效调控

95 后陈天乐是美国马里兰大学的博士研究生，其本科和硕士分别就读于北京化工大学和美国约翰·霍普金斯大学。

近期，他与所在团队开发出一种基于机器学习神经网络算法、分子尺度模拟和自动化技术的新方法，用来发现和优化可生物降解塑料替代品。

并且，该方法可赋予材料可编程光学、热学和力学性能；同时该材料设计模式在触觉传感器、可拉伸导体、电化学电解质以及热绝缘气凝胶等领域具有应用潜力。

这项研究不仅加速了材料研发的进程，还显著提高了新材料的预测能力和优化精度，开创了新材料的开发范式，也为环保材料的研究和应用开辟了新的道路。

审稿人认为，该研究是“以反复试验为基础的材料科学研究的一个重大进展”。

据悉，为推进全天然材料应用进程，目前该课题组正在针对包装材料等常见应用开发产品原型，希望能在短期内进行初步的实际应用测试。

图丨从左至右依次为：李腾教授、陈柏彦教授、胡良兵教授（来源：陈天乐）

近日，相关论文以《机器智能加速发现全天然塑料替代品》（Machine intelligence-accelerated discovery of all-natural plastic substitutes）为题发表在 Nature Nanotechnology 上[1]。

马里兰大学博士研究生陈天乐、庞震乾博士（现为浙江大学百人计划研究员）和何帅明博士为共同第一作者，陈柏彦（Po-Yen Chen）助理教授、胡良兵教授和李腾教授担任共同通讯作者。

图丨相关论文（来源：Nature Nanotechnology）

有效避免传统迭代优化实验的冗长过程

该研究的灵感来源于环境中的塑料污染现象，多年前，研究人员无意间看到一种现象：漂浮在海面上的塑料薄膜被鱼群误认为是藻类而食用。

传统的石油基塑料难以降解，而天然生物可降解的复合材料是解决该问题的途径之一。

但是，传统的材料筛选方法存在效率低、试验频次高等问题，难以满足实际的应用需求，而该研究旨在提速和优化这一过程。

图丨机器学习加速发现可编程全天然塑料替代品（来源：Nature Nanotechnology）

首先，研究人员从一般认为安全（GRAS，generally-recognized-as-safe）数据库中选择全天然材料，通过自动化快速制备 286 个不同组分的纳米复合膜，进行成膜完整性测试。随后，将数据输入支持向量分类器。

接着，利用主动学习算法和数据增强手段减少实验次数，为机器学习模型提供足够的训练数据，从而逐步优化材料性能。

经过 14 轮循环后，研究人员制备了 135 个全天然纳米复合材料，并对其光学、阻燃和力学性能进行测定，随后构建了人工神经网络预测模型。

值得关注的是，这种预测模型不仅能够预测组成材料的物理化学性质，还可根据用户的特定要求，自动地设计生物降解塑料替代品。

最后，研究人员使用分子动力学模拟，来验证和解释机器学习发现的材料性能规律。

从微观尺度上揭示它的强韧性机理，在确定拉伸行为中的典型强韧化阶段后，实现了高性能复合材料的定向制备。

其中，典型强韧化阶段包括：纤维链内氢键拉伸提高模量、链间滑移实现塑性强化以及层间裂纹扩展导致最终断裂。

根据研究结果，从预测初筛到模型/机理引导，再到定向制备的集成工作流程，有效避免了传统迭代优化实验的冗长过程，并能够促进各种功能材料的多属性优化。

技术优势：高效筛选材料、精准预测、多功能优化

在课题初始阶段，研究人员计划通过收集已有文献中的数据来完成模型的训练，以推荐出具有前景的材料。

然而，随着研究的推进，他们发现，纳米材料的性能易受到原材料批次以及制备工艺的影响。

陈天乐解释说道：“不同文献在原料选择、样品制备和数据汇报方式上存在着很大的差异，这使得我们难以收集到高一致性的数据来完成模型训练。”

基于此，他们决定在实验室内部完成所有数据的收集工作，利用自动化技术实现高通量的样品制备，并通过主动学习减少所需的数据点。

图丨通过机器人自动化、主动学习循环和数据增强构建高精度预测模型（来源：Nature Nanotechnology）

研究过程中，课题组成员注意到扩展原材料的种类可以显著拓宽复合材料的性能范围。

因此，通过引入迁移学习方法，将壳聚糖添加到材料体系中，显著提升了材料在高应变下的机械性能，扩展了材料的应用潜力。

从机械性能的显著提升来看，研究人员在后处理（包括钙离子交联和热压）后制备复合膜材料，其最大拉伸强度达到 520MPa。

图丨通过 AI/机器学习加速逆向设计，开发与传统塑料力学性能相匹配的全天然纳米复合材料。展示材料的设计空间、生物降解性测试和解释机器学习模型预测值分析（来源：Nature Nanotechnology）

与传统的迭代优化实验相比，该技术具有高通量材料筛选、精准预测、多功能优化的优势。

具体来说，研究人员利用机器人技术和自动化系统，高效快速地制备并测试了超过 400 种不同的纳米复合膜材料。

“通过自动化制样系统，不仅大幅减少了实验时间和人力投入，还提高了样本制备的一致性和可靠性，这使得我们可以在短时间内处理和测试数百种材料样品。”陈天乐表示。

此外，研究人员使用主动学习收集有信息价值的数据点，减少了构建机器学习模型所需的数据量。

在 14 轮主动学习循环后，模型的平均相对误差降至约 17%，接近实际测量的实验误差范围。这样的高通量、高效率实验设计能够更快速地进行材料验证和优化。

传统的方法需要进行大量的试错实验，以确定哪些材料组合能够满足特定的性能要求，这个过程既耗时又成本高昂。

该团队利用人工神经网络的机器学习模型，实现了对纳米复合材料多种性能的高精度预测。

通过构建和训练预测模型，能够直接预测材料的光学、热学和力学性能，从而快速高效地确定目标配方。

与传统单一性能优化方法不同的是，该技术不仅能预测材料的多种性能，还可以根据具体的应用需求进行逆向设计。

陈天乐举例说道，如果需要一种同时具有高强度和高透明度的材料，该模型可以在庞大的材料数据库中筛选出符合这些条件的最佳组合，并提供相应的制备方法。

他表示：“这种逆向设计的能力能够让我们在较短时间内，更灵活地开发满足符合多种应用需求的高性能全天然材料。并且，复合材料系统可在机械性能方面覆盖大部分工程塑料。”

致力于建立包含更多材料的模型

该研究由三个课题组合作完成，并共同讨论了原材料的选择、性能指标的选取以及实际应用计划。

图丨陈天乐与所在课题组成员合影（来源：陈天乐）

其中，陈柏彦教授课题组负责自动化材料制备与机器学习模型构建，包括利用机器人技术快速制备大量样本材料，并通过机器学习算法进行性能预测和优化。

胡良兵教授团队专注于纤维素材料的制备以及复合材料的后处理，确保材料在不同性能指标上的可靠性，并进行必要的实验验证。

李腾教授实验室则进行分子动力学模拟，通过理论模拟来理解材料的微观行为和性能机制，为模型预测提供理论支持。

该论文第一作者陈天乐本科就读于北京化工大学高分子材料与工程专业，在刘军教授的指导下，参与了关于石墨烯/苯乙烯-丁二烯橡胶复合材料拉伸过程的分子动力学模拟研究。

之后，他在美国约翰·霍普金斯大学化学与生物分子工程获得硕士学位。硕士期间，陈天乐在泊莱特·克兰西（Paulette Clancy）教授指导下，对氮化物膜在极低温下动态结构的分子动力学和密度泛函理论计算模拟进行了探索。

2020 年，他来到马里兰大学读博，师从陈柏彦教授。目前，该团队的主要研究方向是通过机器智能和机器人自动化，发现先进材料。

该研究在取得进展的同时，也需要了解的是，虽然该研究能够完成精准的建模，但现有的材料库相对来说仍然较为受限，因此，该课题组计划进一步扩展材料库，扩宽复合材料的性能范围。

与此同时，研究人员正在开发材料编码方法支持模型扩展性，以便模型在无需大量重新实验的情况下处理新材料。同时，他们还在探索多种制造和后处理方法，来提升材料的水稳定性。

在该领域，AI 应用的一大难点是定量的通用预测能力。虽已有很多语言类大模型可以基于分析文献数据，给出宽泛的总结，但难以实现对纳米复合材料性能的准确预测。

现在，该团队正在致力于建立包含更多材料的模型。

陈天乐表示：“期望未来能开发一种通用的材料编码方法，既能捕捉材料类型之间的相似性和相关性，又能表达材料变体间的不同，并适应各种尺度，以增强模型的通用性与适应性。”

参考资料：

1.Chen, T., Pang, Z., He, S. et al. Machine intelligence-accelerated discovery of all-natural plastic substitutes. Nature Nanotechnology (2024). https://doi.org/10.1038/s41565-024-01635-z

https://eng.umd.edu/news/story/researcherrsquos-pacific-dive-spurred-innovations-in-robotics-with-machine-intelligence-to-create

运营/排版：何晨龙

01/ 疗效超越CAR-T：科学家研发抗体-药物偶联物，已在小鼠模型中成功治愈人类T细胞癌

02/ 为大豆育种带来概念性突破，科学家研发大豆基因编辑技术，可同步提高大豆产量与蛋白含量

03/ 清华校友开创辐射制冷新手段，研发新型透明超材料，利用微金字塔棱镜效应实现智能光线管理

04/ 剑桥团队制备新型神经袖套，实现最小侵入性外周神经接口，助力治疗神经疾病和假肢控制

05/ 多团队联合攻关设计量子效应掺杂范式，研发p型场效应晶体管，突破二维平面晶体管集成维度限制