| 查看: 20 | 回复: 0 | |||
[交流]
AI Agent 进入材料研发：龙讯旷腾 IntelliMat 透明聚酰亚胺设计观察
|
|
一、透明、耐热、高强为何难兼得 聚酰亚胺（PI）主链含酰亚胺环，经典产品如 Kapton 薄膜耐温高、力学性能好，但通常呈黄褐色。原因之一是分子链间易形成“电荷转移络合物”（CTC），吸收可见光中的蓝紫波段。想让 PI 变透明，常见思路是拉开分子链距离或增加扭曲结构，减少 CTC 形成。但透明度提升，往往会影响链刚性、热稳定性和力学性能。传统芳香族 PI 耐热和力学性能较好，但透光率偏低；含氟、脂环族透明 PI 透明度更好，却可能在 Tg 或强度上妥协。柔性显示用 PI 常要求 Tg 高、强度高、400nm 透光率高，同时满足并不容易。 二、传统研发的瓶颈 传统做法依赖经验：资深人员凭上百种单体的“性格”设计配方，再合成、测试、调整。一轮实验快则几周，慢则几个月。瓶颈有两个：一是人的经验覆盖有限，面对全新结构组合容易失灵；二是试错成本高，失败配方消耗时间、原料和人力。如果能在合成前预测 Tg、强度和透光率，甚至从性能目标反推结构，就能减少盲目实验。 三、正向设计：给结构，预测性能 公开案例中，龙讯旷腾 IntelliMat 以聚酰亚胺为例展示 AI Agent 介入研发。底层 PWmat 是物理计算引擎，IntelliMat 把计算、数据库、AI 模型和研发流程组织起来。正向设计解决“这个结构大概有什么性能”。用户可用自然语言输入，如“请告诉我 PMDA-ODA 聚酰亚胺的性质”，系统自动返回玻璃化温度、分解温度、拉伸模量、断裂强度、介电常数等。底层是“结构—性能映射”：把原子组成、连接关系、刚性骨架、柔性连接、取代基等编码成可学习表征，从历史数据学构效关系。文献验证中，Tg 误差约 4%—7%，400nm 透光率误差约 1%—8%，断裂强度个别样本接近 20%。模型有误差，但可做高通量初筛。 四、逆向研发：给目标，找结构 假设需求是：Tg > 345℃、断裂强度 > 150MPa、400nm 透光率 > 82%。难点在于同时成立。公开案例中，逆向研发大致四步： 构建材料搜索空间：调用 PI 知识库，组织二酐、二胺及合理组合。 高通量性能推理：快速预测候选结构性能，排除明显偏离目标者。 多目标优化决策：寻找 Pareto 前沿，淘汰被其他结构支配的候选。 化学规则过滤：嵌入化学规则、透明 PI 设计经验、单体可得性和反应合理性，避免推荐数学最优但合成困难的结构。 最终输出一组高价值候选结构，并附设计理由，如为什么选某个二酐、二胺，哪个取代基在起作用。 五、从一句需求到一份报告 用户可提出一个目标，例如：“我需要一款用于柔性 OLED 基板的透明聚酰亚胺，要求 Tg > 345℃、拉伸强度 > 150MPa、400nm 透光率 > 82%，请给出候选方案和应用报告。”系统自动完成候选库调用、性质预测、多目标优化、规则过滤、候选结构推荐、单体识别、合成路线组织和报告生成。报告包含项目背景、性质目标、候选方案对比、设计原理、合成建议、风险提示等。用户无需写代码或手动调用工具。 六、边界与结语 逆向研发给出的候选，不一定能合成出完全满足指标的材料。预测有误差，合成有波动，工艺条件也会影响最终性能。AI 的价值不在于“一次命中”，而在于把搜索空间从“几乎无限”缩小到“几个有希望的方向”。以前可能试几十组配方，现在有机会先排除大量无效方案，把实验资源集中到少数候选上。 材料研发不会因为 AI 而不再需要实验。AI 更像实验前的一道“筛子”，让每一次实验更有价值。它不能完全解决聚酰亚胺“高透明、高耐热、高强度”兼得的难题，但能改变解决问题的方式：让研发人员站在大量虚拟实验的基础上做选择。不是取代人的智慧，而是放大人的智慧。 |
回复此楼» 猜你喜欢
修改论文，如何借助其他力量？
已经有4人回复
-
中山大学潘越教授课题组2027级推免硕士研究生招生 新增一个专业医学技术名额
已经有21人回复
-
无机化学论文润色/翻译怎么收费?
已经有192人回复
» 本主题相关商家推荐: (我也要在这里推广)
