聚氨酯（PU）弹性体在日常和航空航天等领域应用广泛，但由于其嵌段聚合物固有的结构复杂性和异质性，设计具有目标机械性能的聚氨酯材料仍面临巨大挑战。传统的“试错法”耗时且费力，而现有的机器学习在处理包含复杂化学空间、多变合成工艺以及数据稀缺的聚氨酯体系时往往受限。如何提取有效特征并准确建立“结构-性能”关系，是一个亟待解决的重要研究问题。
针对这一问题，本文开发了一种可扩展的高通量筛选计算框架，将机器学习、多模态特征工程和特征融合策略相结合，用于预测PU材料的机械性能。研究人员提出了一种新颖的“3D加权矩阵（3D-Weighted-Matrix）”编码方法来表征聚氨酯单体，该方法将组分的摩尔比和聚合度作为权重因子引入，与传统分子描述符相比，其特征区分度提升了23%。进一步地，研究将基于3D加权矩阵的化学结构特征、基于逻辑编码的合成工艺参数以及分子描述符进行多模态早期融合（Early Fusion），构建了1D-CNN深度学习模型。该模型能够同时高精度预测材料的杨氏模量、拉伸强度和断裂伸长率（平均回归系数R2均超过0.86）。
利用该高精度预测模型，研究团队对超过1.5亿种分子结构与工艺的组合进行了高通量计算与三维帕累托前沿（Pareto frontier）分析，成功筛选出能够打破传统“强度-韧性”权衡的理想候选材料。此外，通过对各类子结构的筛选分析，揭示了包含动态肟-氨基甲酸酯键的扩链剂以及具有梯度氢键网络的多元醇对材料机械性能的协同增强机制。该工作不仅加深了对聚氨酯内在“结构-性能”关系的理解，也为加速开发高性能嵌段聚合物材料提供了强大的计算辅助设计框架。
Macromolecular Rapid Communications, 2026, 47: e00471.
附件：