陰離子交換膜是決定陰離子交換膜燃料電池能量/功率密度、循環壽命等性能的核心部件，也是當前陰離子交換膜燃料電池汽車亟需進一步發展的關鍵材料，然而其商業化進程仍受制于各個性能之間的權衡關系。中國科學院長春應用化學研究所李宏飛團隊圍繞陰離子交換膜的組成工藝和性能數據庫開展了大數據研究，聚焦陰離子交換膜的組成-工藝-結構-性能關系，為基礎研究和應用開發提供理論參考和工具支持。

在前期利用人工智能設計聚合物膜材料的積累上（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），作者團隊構建了一個自動化的人工智能管道來篩選陰離子交換膜候選共聚物的廣闊化學空間。該管道利用集成了12種人工智能算法的遺傳算法來篩選共聚物，這些共聚物有可能通過聚合物疏水和親水骨干和陽離子基的進化來提高AEM性能。通過對實驗報道的749種共聚物的數據挖掘，該管道自動生成了超過1.72億種假設共聚物，并根據預測的性能指標 (OH-電導率、電導率-尺寸穩定性權衡系數和Pareto邊界集中陽離子的LUMO)篩選出2519種潛在的候選共聚物。審稿人對該篩選結果評價到：“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.”為了更好的促進人工智能技術在聚合物膜材料領域的應用，作者團隊發布了一個獨立的軟件，將這些預測模型和篩選的候選共聚物與預測的AEM性能指標集成在https://github.com/polySML/polySML-AEM上。

圖1 自動化機器學習設計聚合物膜材料的研究框架

圖2 文中新提出的離子傳導-尺寸穩定性（CDST）指標

圖3 對當前主流陰離子交換膜聚合物骨架和陽離子基團的聚類分析

圖4 自動化機器學習流水線預測陰離子電導率和CDST的模型性能

圖5 自動化機器學習針對離子傳導率和CDST對共聚物化學空間的篩選結果

圖6 用于快速篩選陰離子交換膜材料的軟件polySML-AEM，軟件著作權號：2023SR1489180.

該工作以“Expert-augmented machine learning to accelerate the discovery of copolymers for anion exchange membrane”為題發表在最新一期的《Journal of Membrane Science》上。第一作者為中國科學院長春應用化學研究所特別研究助理劉倫洋，通訊作者為李宏飛研究員和李云琦教授。作者特別感謝國家自然科學基金項目(22173094、51988102、22203088)、中國一汽集團有限公司自主創新科技重大專項(關鍵技術研發)項目(20220301018GX)、國家科技重大專項(2021YFB3801500)、貴州大學人才基金項目(C0048072)的資助。作者團隊感謝中科院長春應用化學研究所網絡與計算中心的大力支持。|  封面來源于圖蟲創意