根据MIT 教授、本研究资深作者 Heather Kulik 表示：“这些分子可用于制造在受力时表现更强韧的聚合物。当施加应力时，材料不会开裂或断裂，而是展现出更高的回弹性。”

　　该论文以题为“High-Throughput Discovery of Ferrocene Mechanophores with Enhanced Reactivity and Network Toughening”发表在 ACS Central Science 期刊。MIT 博士后 Ilia Kevlishvili 是这篇论文的第一作者，其他作者包括杜克大学研究生 Jafer Vakil、MIT研究生 David Kastner 和 Xiao Huang，以及杜克大学化学系教授 Stephen Craig。

　　利用AI技术，未被开发的潜力分子被发现

　　这项研究建立在 Craig 和麻省理工学院讲席教授 Jeremiah Johnson 及其同事于 2023 年完成的研究成果基础上。

　　在那项研究中，研究人员意外发现：将弱交联剂引入聚合物网络反而能增强材料整体强度。当含有这些弱交联剂的材料被拉伸至断裂点时，裂纹在材料中扩展时会避开强键而优先破坏弱键。这意味着裂纹需要破坏的化学键数量，比所有键强度相同时更多。

　　为探索这一现象的新应用，Craig 和 Kulik 合作寻找可用作弱交联剂的力响应基团。“我们获得了新的机理认知和研究机遇，但面临巨大挑战：在浩如烟海的物质组成中，如何锁定最具潜力的候选者?”Craig 表示。

　　发现和表征力响应基团是项艰巨任务，既耗时实验又需计算密集的分子相互作用模拟。目前已知的力响应基团多为有机化合物，如 2023 年研究中用作交联剂的环丁烷。

　　新研究中，团队聚焦于具有力响应基团潜力的二茂铁分子。这类有机金属化合物的铁原子夹在两个含碳环之间，通过修饰环上的化学基团可调控其化学和机械性能。尽管部分二茂铁已被证实是优良的力响应基团，但大多数尚未接受评估。单个潜在力响应基团的实验测试需数周时间，计算模拟虽较快仍需数日，传统的方法评估数千种候选分子几乎不可能。

　　意识到机器学习可大幅加速分子表征，研究团队采用神经网络筛选有前景的二茂铁机械响应团。他们从剑桥结构数据库(Cambridge Structural Database)中选取 5,000 种已合成的二茂铁结构作为起点。“这确保我们无需担忧分子可合成性问题，能在保持化学多样性的广阔空间开展探索。”第一作者 Kevlishvili 解释道。

　　研究人员首先对其中约 400 种化合物进行力场计算，量化分子内原子键断裂所需的作用力。他们特别关注易断裂的分子，这类弱键能增强聚合物的抗撕裂性。基于这些数据与分子结构信息，团队训练出机器学习模型，成功预测了数据库中剩余 4,500 种化合物及 7,000 种衍生结构的机械响应阈值。

　　研究发现两个关键特征可提升抗撕裂性：一是二茂铁环上取代基间的相互作用;二是当两个环均连接大体积基团时，分子更易在外力作用下断裂。Kulik 指出：“第一个特征符合预期，但第二个特征完全超出化学家的预判——没有人工智能，我们永远无法发现这一规律。这真令人惊喜。”

　　4倍韧性突破，MIT缔造抗撕拉塑料之王

　　当研究人员筛选出约100种潜力分子后，杜克大学 Craig 实验室率先合成了含有 m-TMS-Fc 交联剂的聚合物材料。在该体系中，m-TMS-Fc 作为交联点将聚丙烯酸酯的分子链相互连接。

　　通过拉伸测试发现，采用这种弱交联剂的聚合物展现出优异的抗撕裂性能。实验数据显示，其韧性达到标准二茂铁交联聚合物的 4 倍。Kevlishvili 指出，“若能提升现有塑料制品的韧性，就能延长使用寿命，从根本上减少塑料产量和废弃物积累。”

　　研究团队计划将该机器学习平台拓展至其他功能性力响应基团的开发，例如能响应外力变色或激活催化活性的分子。这类智能材料可应用于应力传感器、可切换催化剂系统，以及在药物递送等生物医学领域发挥作用。

　　后续研究将聚焦二茂铁及其他已合成但性能未充分开发的金属力响应基团。过渡金属力响应基团的研究尚属空白，其合成难度也更高，上述计算工作流程有望拓展这类分子的研究边界。

　　以上是关于MIT利用AI技术创造出抗撕拉塑料的全部介绍，如果还想了解更多关于美国留学申请方面的相关知识的，欢迎随时联系Tops6868或在线咨询，托普仕留学专注美国前30高校申请，多年名校申请经验助力你的留学申请。