在材料科学领域，聚合物共混物因其能够结合不同聚合物的优点而备受关注。传统上，寻找具有理想性能的新型聚合物共混物是一个耗时且昂贵的过程。为了解决这个问题，麻省理工学院（MIT）的研究人员开发了一种全自动实验平台，该平台能够高效地识别用于蛋白质稳定、电池电解质或药物输送材料等应用的优化聚合物共混物。该平台每天可以识别、混合和测试多达 700 种新的聚合物共混物，大大加快了新材料的发现过程。
传统聚合物共混物发现的挑战
科学家们经常需要从聚合物中寻找新材料。为了节省时间和金钱，他们通常会混合现有的聚合物以获得所需的性能，而不是从头开始搜索聚合物。然而，识别最佳共混物是一个复杂的问题。潜在的组合数量几乎是无限的，而且聚合物之间的相互作用方式非常复杂，因此很难预测新共混物的性能。
传统的聚合物共混物发现方法通常依赖于人工实验和试错法，这既耗时又费力。此外，由于设计空间巨大，研究人员很难探索所有可能的组合，这可能会导致错过具有优异性能的潜在共混物。
MIT 的全自动实验平台
为了加速新材料的发现，MIT 的研究人员开发了一种全自动实验平台，该平台能够高效地识别优化聚合物共混物。该平台采用闭环工作流程，利用强大的算法来探索各种潜在的聚合物共混物，并将一部分组合送入机器人系统，该系统混合化学物质并测试每种共混物。根据测试结果，算法会决定下一步进行哪些实验，直到新聚合物满足用户的目标为止。
该平台的核心是一个强大的算法，该算法能够探索各种潜在的聚合物共混物。该算法会根据用户的目标，自主地识别出一系列有希望的聚合物共混物。然后，这些共混物会被送入机器人系统进行混合和测试。测试结果会被反馈给算法，算法会根据这些结果生成新的聚合物共混物，直到系统找到最佳共混物为止。
闭环工作流程
MIT 团队开发的闭环工作流程是该平台成功的关键。闭环方法涉及以下步骤：
- 算法设计：使用遗传算法，通过模拟生物进化过程来优化聚合物共混物的组成，平衡探索新组合与优化现有组合。
- 机器人混合与测试：算法选择的共混物由机器人系统自动混合，并进行一系列测试以评估其性能。
- 数据分析与反馈：测试结果被送回算法，算法利用这些数据来改进其预测模型，并选择下一组要测试的共混物。
通过不断循环这些步骤，该平台能够快速有效地识别具有所需性能的优化聚合物共混物。
性能优异的共混物
在实验过程中，该系统自主地识别出了数百种性能优于其组成聚合物的共混物。有趣的是，研究人员发现，性能最佳的共混物不一定使用最佳的单个组分。这表明，使用能够同时考虑完整设计空间的优化算法具有重要价值。通过考虑完整配方空间，可以发现新的或更好的性能。如果使用不同的方法，很容易忽略那些碰巧是最佳共混物重要组成部分的表现不佳的组分。
潜在的应用
这种工作流程有朝一日可以促进聚合物共混材料的发现，从而带来诸如改进的电池电解质、更具成本效益的太阳能电池板或用于更安全药物输送的定制纳米颗粒等进步。该平台可以应用于各种领域，包括：
- 蛋白质稳定：提高蛋白质和酶的热稳定性，使其在高温下也能保持活性。
- 电池电解质：开发具有更高离子电导率和稳定性的新型电池电解质，从而提高电池的性能和安全性。
- 药物输送：设计具有特定释放特性的纳米颗粒，以实现更有效和更安全的药物输送。
研究团队
该论文的第一作者是吴光奇，他是 MIT 的前博士后，现在是牛津大学的玛丽·斯科沃多夫斯卡-居里博士后研究员。其他作者包括 MIT 研究生金天一和麻省理工学院材料科学与工程系 Michael and Sonja Koerner 教授 Alfredo Alexander-Katz。该研究成果发表在 Matter 杂志上。
构建更好的共混物
当科学家设计新的聚合物共混物时，他们面临着几乎无限数量的可能聚合物可供选择。一旦他们选择了一些进行混合，他们仍然必须选择每种聚合物的组成和共混物中聚合物的浓度。如此庞大的设计空间需要算法解决方案和更高通量的流程，因为根本无法使用蛮力测试所有组合。
虽然研究人员已经研究了用于单一聚合物的自主工作流程，但由于设计空间急剧增大，因此较少的工作集中在聚合物共混物上。在这项研究中，MIT 的研究人员寻求新的无规杂聚合物共混物，这些共混物是通过混合两种或更多种具有不同结构特征的聚合物制成的。这些多功能聚合物已显示出与高温酶催化特别相关的有希望的相关性，高温酶催化是提高化学反应速率的过程。
遗传算法
他们的闭环工作流程始于一种算法，该算法基于用户所需的属性，自主地识别出少量有希望的聚合物共混物。研究人员最初尝试使用机器学习模型来预测新共混物的性能，但很难在天文数字般的可能性空间中做出准确的预测。相反，他们利用了一种遗传算法，该算法使用生物学启发的选择和突变等操作来找到最佳解决方案。
他们的系统将聚合物共混物的组成编码为有效的数字染色体，遗传算法迭代地改进该染色体以识别最有希望的组合。Wu 补充说，这种算法并不新鲜，但我们必须修改该算法以适应我们的系统。例如，我们必须限制一种材料中可以存在的聚合物数量，以提高发现效率。此外，由于搜索空间如此之大，他们调整了算法以平衡其对探索（搜索随机聚合物）与利用（优化上次实验中最好的聚合物）的选择。
该算法一次将 96 种聚合物共混物发送到自主机器人平台，该平台混合化学物质并测量每种物质的性质。实验的重点是通过优化保留的酶活性 (REA) 来提高酶的热稳定性，保留的酶活性是衡量酶在与聚合物共混物混合并暴露于高温后稳定程度的指标。这些结果被发送回算法，算法使用它们来生成一组新的聚合物，直到系统找到最佳共混物。
加速发现
构建机器人系统涉及许多挑战，例如开发一种均匀加热聚合物的技术以及优化移液器吸头上下移动的速度。Coley 说，在自主发现平台中，我们强调算法创新，但在您可以信任从中获得的信息之前，您必须验证该程序的许多详细和微妙的方面。经过测试，他们的系统识别出的最佳共混物通常优于形成它们的聚合物。最佳的整体共混物的性能比其任何单个组分的性能高出 18%，实现了 73% 的 REA。Wu 说，这表明，我们可以混合现有的聚合物来设计比单个聚合物性能更好的新材料，而不是开发新的聚合物。此外，他们的自主平台每天可以生成和测试 700 种新的聚合物共混物，并且只需要人工干预即可重新填充和更换化学物质。
虽然这项研究的重点是用于蛋白质稳定的聚合物，但他们的平台可以修改用于其他用途，例如开发新的塑料或电池电解质。除了探索其他聚合物特性外，研究人员还希望使用实验数据来提高算法的效率并开发新的算法来简化自主液体处理器的操作。
加州大学伯克利分校的教授 Ting Xu 没有参与这项工作，他说：从技术上讲，迫切需要提高蛋白质和酶的热稳定性。这里展示的结果令人印象深刻。作为一种平台技术，并且鉴于材料科学的机器学习和人工智能的快速发展，人们可以设想该团队有可能进一步提高无规杂聚合物的性能或根据最终需求和用途优化设计。这项工作部分由美国能源部、国家科学基金会和 1947 级职业发展主席资助。
结论
MIT 研究人员开发的自动化平台代表了聚合物共混物发现领域的一项重大进步。通过结合计算算法和机器人技术，该平台能够比传统方法更快、更有效地识别具有理想性能的新型聚合物共混物。该平台在蛋白质稳定、电池电解质和药物输送等领域具有广泛的应用前景，有望加速新材料的发现，并推动相关领域的创新。
