聚乙烯作为产量最广泛的合成高分子之一，对高活性均相单活性中心聚合催化剂的理性设计有着极高要求。然而，催化活性的高低取决于配体框架、取代基、中心金属与聚合工艺条件之间极其复杂的非线性协同效应，其庞大的取代基组合爆炸使得传统的“试错”实验难以实现全面探索。如何系统地理解多维空间下的结构-条件-活性关系并实现高性能催化剂的高效探索，是当前该领域亟待解决的重要研究问题。
针对此问题，我们建立了一个集成可解释机器学习与大规模虚拟库生成的数据驱动框架。研究收集了507个聚乙烯催化剂的实验数据集（涉及2类主配体结构、7种过渡金属），系统评估了12种回归模型。结果表明，梯度提升回归（GBR）模型预测性能最优（测试集R2=0.91），且在外部验证集上预测 R2 达0.83（Spearman相关系数ρ=0.78）。通过SHAP分析，我们发现描述分子复杂度的价键连接性指数（Chi2v）起主导作用，并呈倒“U”型规律，体现了空间屏蔽与单体可及性相平衡的萨巴蒂尔原理。同时，聚合温度表现出在 40-70°C 达峰值的火山型依赖，反映了单体插入速率提升与活性中心热失活的动力学博弈。最后，我们通过片段组合装配构建了包含665,685种催化剂的虚拟化学空间，经合成可得性（SCscore < 3.0）高通量筛选，成功发现1,090个易合成且活性超2×107 g·mol-1·h-1的候选催化剂。子结构分析揭示了金属依赖的设计规则：早过渡金属（Ti、Zr、Hf）偏好吸电子芳香基以降低电子密度促进迁移插入；晚过渡金属（Ni、Co、Fe）更青睐中等尺寸烷基以防止休眠态过度稳定。该方法为催化剂设计确立了可行的数据驱动闭环路线。
J. Phys. Chem. Lett. 2026, DOI: https://doi.org/10.1021/acs.jpclett.6c01588.
附件：