科研進展
蘭州化物所潤滑油黏度指數改進劑分子模擬工程研究獲新進展
傳統材料研發(fā)依賴試錯法，效率低。材料基因組計劃（MGI）提出通過高通量計算和大數據加速創(chuàng)新，但材料科學中數據稀缺與機器學習（ML）模型可解釋性差成為關鍵瓶頸。
在軟凝聚態(tài)物質（如聚合物）領域，實驗數據質量參差導致數據量不足。粘度指數改進劑（VII）作為潤滑油核心添加劑，其性能依賴聚合物分子結構與溫度響應的復雜關系，但現有研究僅聚焦少數商用聚合物（如聚異丁烯），缺乏系統性數據支撐。盡管分子動力學（MD）可模擬聚合物溶液物性，但缺乏針對VII的高通量數據生成方法。此外，現有ML模型多為“黑箱”，難以揭示定量構效關系（QSPR），阻礙聚合物設計的理論指導。因此，亟需開發(fā)整合高通量計算、自動化特征工程與可解釋AI的框架，以突破數據稀缺限制，推動VII等復雜體系的理性設計。
中國科學院蘭州化學物理研究所潤滑材料全國重點實驗室材料表面界面團隊長期致力于潤滑油材料的分子模擬工程和人工智能設計研究。近期，研究人員融合高通量分子動力學模擬與可解釋人工智能的自動化材料設計框架，破解了潤滑油核心添加劑——黏度指數改進劑（VII）研發(fā)難題。該研究通過自主開發(fā)的智能計算管道，僅從5類商用聚合物出發(fā)，高效生成大規(guī)模VII數據集（1166組數據），并利用多目標機器學習模型從180萬候選分子中篩選出366種高性能聚合物，其粘溫性能超越現有商用產品。該工作有望為潤滑油行業(yè)節(jié)省大量實驗成本，驗證數據稀缺領域“計算驅動-模型解析-材料設計”的研發(fā)新范式，在高分子材料、藥物設計等領域具有廣泛推廣價值。
圖1.整合高通量分子動力學模擬與機器學習的高粘溫性能聚合物開發(fā)流程圖
圖2.基于符號回歸（SR）構建VII粘度與PVI預測模型
圖3.高性能黏指劑虛擬篩選
以上研究成果以“Exploring high-performance viscosity index improver polymers via highthroughput molecular dynamics and explainable AI”為題發(fā)表在npj computational materials上，蘭州化物所周銳博士生為論文第一作者，蘭州化物所鮑路瑤助理研究員、周峰研究員和蘭州大學卜偉鋒教授為共同通訊作者。
以上工作得到中國科學院戰(zhàn)略性先導科技專項支持。
