共聚物序列结构调控是开发高端聚合物材料的关键路径之一，也是高分子化学家长期致力实现的目标。在共聚反应中，竞聚率作为单体自增长与交叉增长速率常数之比，对理解和调控序列结构具有核心意义。然而，竞聚率受溶剂、温度等多种因素影响，难以直接沿用文献数据准确预测不同条件下的序列结构，研究者通常需针对具体条件重新测定该参数。自20世纪40年代以来，竞聚率测定主要依赖Mayo-Lewis、Meyer-Lowry等传统方法。这些方法不仅对转化率范围有严格要求、实验操作繁琐，且通常仅适用于二元共聚体系（图1A）。面对更为复杂的多元共聚体系（如三元共聚），研究者往往只能借鉴二元竞聚率参数，而无法直接测定三元竞聚率。大量研究表明，这种间接引用并不可靠。遗憾的是，长期以来，复杂体系竞聚率测定方法的发展几乎处于停滞状态。

图1. （A）传统的竞聚率测定方法；（B）基于“竞聚率指纹”的机器学习测定方法

  最近，复旦大学高分子科学系陈茂课题组提出“竞聚率指纹”新概念，将共聚反应数据矩阵作为竞聚率指纹，以百万量级的指纹数据库建立了机器学习模型。在该模型中，输入任意转化率、投料比下的实验数据，能够直接、高效获取二元竞聚率、三元竞聚率（图1B）。以此为基础，研究团队测定了40对二元单体组合、20对三元单体组合的竞聚率；高效分析了温度、溶剂对于竞聚率的重要影响；揭示了第三单体对于二元单体组合的竞聚率具有显著影响；通过改变溶剂、温度等简单反应条件，采用相同单体合成了不同序列结构的多元共聚物（图2）。

图2. 机器学习辅助的序列结构调控示意图

  本文提出的“竞聚率指纹”为竞聚率测定提供了全新思路，利用机器学习成功解决了三元竞聚率直接测定的长期挑战，大幅度提升了竞聚率测定效率。研究者相信“竞聚率指纹”概念有望拓展至更复杂共聚体系、并适用于不同聚合反应机理，有望为共聚物实际生产中的序列结构调控提供指导。该工作以“Copolymer Sequence Regulation Enabled by Reactivity Ratio Fingerprints via Machine Learning”为题发表在《德国应用化学》（Angew. Chem. Int. Ed. 2025, e202513086）。复旦大学高分子科学系张泽熙硕士为文章第一作者，复旦大学高分子科学系陈茂教授与课题组谷宇博士为共同通讯作者。作者特别感谢国家自然科学基金、上海市科委、复旦大学高分子科学系、聚合物分子工程全国重点实验、高分子科学智能研究中心的大力支持。

  全文链接：https://doi.org/10.1002/anie.202513086

  更多课题组介绍请点击：http://www.polymaolab.cn