高分子材料作为现代工业的基础性材料，由于其结构复杂、多功能需求以及可持续发展的迫切要求，在精确设计和性能提升方面面临着长期挑战。深化加工工艺、结构、性质及性能间的物理化学认识，对推动高分子材料的精确设计和与高性能化发展具有重要意义。机器学习因其优异的高维数据处理能力，在高效构建上述复杂关系，揭示深层次物理化学规律，以及促进新型高分子材料结构发现方面展现出显著优势。

图1. 机器学习在高分子科学领域中的应用概述。

  近期，四川大学冯玉军教授团队与成都信息工程大学张永清教授团队在Progress in Materials Science上发表了题为“Machine learning in polymer science: A new lens for physical and chemical exploration”的综述文章。该文系统回顾了机器学习在高分子合成、加工及性能（包括光、电、热、吸附、分离和机械性能）领域的研究工作，详细介绍了机器学习在探索加工工艺条件与结构、结构与性能定量关系，探索高分子科学物理化学理论，以及助力新型结构高分子材料设计与发现方面的应用。文章第一作者是四川大学博士生曹小琴，成都信息工程大学张永清教授为共同第一作者，四川大学殷鸿尧副研究员和冯玉军教授为通讯作者。该研究得到四川省中央引导地方科技发展专项项目的支持。

  该文章首先介绍了机器学习在高分子合成方面的应用，重点介绍了机器学习指导定制化结构聚合物制备以及基于机器学习的闭环自优化聚合反应平台研究进展（图2）。通过建立聚合反应条件与实验结果模型，实现高维结构空间和实验参数空间的相互映射，针对目标聚合物生成特定的实验方案，从而实现精准且高效合成。

图2. 基于机器学习的闭环自优化聚合反应平台示意图。

  其次，作者介绍了机器学习在聚合物溶解性研究中的应用，概述了其在预测聚合物和溶剂相互作用参数、预测临界溶解温度、构建溶解相图方面的优势。同时，阐述了机器学习模型在揭示聚合物–溶剂相互作用机制、识别与溶解性能相关的结构片段和功能基团、以及探索控制溶解性能的物理化学规律方面的能力（图3）。

图3. (a)数据驱动模型用于预测特定聚合物–溶剂体系的溶解相图。(b)输入参数对模型预测误差的影响。

  文章随后回顾了机器学习在辅助高分子材料加工领域的应用，阐述了其在预测和优化材料性能，特别是在提升多目标性质与性能的帕累托前沿方面的独特优势。同时，还介绍了机器学习在构建加工工艺条件与材料性质、性能的定量关系，揭示工艺对性质与性能的影响规律，深化加工理论基础方面的优越性。例如，通过建立环氧树脂和固化剂结构与材料玻璃化温度、强度和恢复性能之间的机器学习模型，解析环氧树脂和固化剂含量对各力学性能的影响规律，确定最佳工艺参数组合空间，从而实现多目标性能优化（图4）。

图4. (a) 环氧树脂和固化剂与材料力学能的机器学习模型。(b)工艺参数与材料性质性能的影响。

  文章还系统总结了机器学习在高分子性质与性能方面的应用，重点阐述了机器学习用于探究聚合物结构与光、电、热性质、吸附性能、分离性能和力学性能的构–效关系，发现影响材料性质性能的主要结构片段、基团或原子，并以此设计和发现高性能、新功能的聚合物结构，扩展现有高分子材料结构空间和认知边界。例如，通过建立单体结构与吸湿性，临界低热膨胀率和拉伸模量之间的机器学习模型，从候选的结构空间中快速筛选出满足目标性质性能要求的结构，并通过统计分析识别出对上述性能具有关键贡献的结构片段（图5）。最后，文章指出了机器学习应用于高分子科学所面临的主要挑战，包括数据集规模有限、高分子结构数字化困难，并展望了该领域未来的发展方向。

图5. (a)机器学习技术用于发现目标性质材料结构的示意图。(b)结构片段对材料吸湿性，临界低热膨胀率和拉伸模量贡献的统计分析。

  原文链接：https://doi.org/10.1016/j.pmatsci.2025.101544