在材料科学迎来智能化革命的今天，一场前所未有的范式转变正在发生。机器学习技术凭借其强大的数据挖掘和模式识别能力，从根本上重塑了高分子材料的研发范式——从传统的“试错法”实验向“预测-验证”的智能研发模式跃迁。通过深度学习算法对海量材料数据库的挖掘，研究人员能够准确预测聚合物结构与性能的构效关系，将新材料开发周期从传统的10-20年缩短至数月。

 

这场由AI驱动的材料革命，不仅改变了科研人员的工作方式，更将重新定义未来能源装备的性能边界。MDPI诚邀各位学者参与本场线上研讨会，5月9日不见不散！

 

 

研讨会信息

 

会议时间

 

2025年5月9日 9:30准时开始

 

会议形式

 

线上会议

 

会议流程

 

会议内容	主讲人	时间
会议召集人致辞	顾轶卓 副教授	9:30–9:40
机器学习助推聚合物介质材料与电力装备性能	党智敏 教授	9:40–10:10
人工智能赋能高分子材料设计案例分享	康鹏 副教授	10:10–10:40
答疑环节		10:40–11:00

 

 

观看方式

 

小鹅通直播间

 

点击链接，观看直播。

https://dbofi.xetlk.com/sl/STic

 

MDPI 开放科学视频号

 

 

主讲人介绍

 

顾轶卓 副教授

北京航空航天大学

天目山实验室高性能航空材料与先进制造研究中心

Polymers 编委

 

顾轶卓，男，副教授，博士生导师，北京航空航天大学先进复合材料团队骨干成员，北京市青年英才，现任国家航天局高性能纤维检测评价中心主任助理、质量负责人。兼任全国玻璃纤维标准化技术委员会委员，全国碳纤维标准化技术委员会委员，中国硅酸盐学会玻璃钢分会理事，《复合材料科学与工程》副主编等。近几年主持了国家自然基金、173重点基金、国防技术基础项目、国防163项目、国防预研基金和国家973课题等项目，在国内外发表论文70余篇，第一发明人授权发明专利20余项，获得省部级科技奖励5项，研究成果已在航空航天、风电、汽车等领域应用。

 

党智敏 教授

清华大学电机系

 

党智敏，清华大学电机系长聘教授，国家杰青，国家重点研发计划首席科学家，洪堡学者，IET Fellow和中国电工技术学会会士，中国复合材料学会介电高分子材料与应用专委会主任。研究方向为先进能源电工材料与器件，撰写/参编专著8部，在 Nature Reviews Electrical Engineering、Nature Communications 等发表400余篇期刊论文，SCI他引22000多次，H指数80。连续10多年Elsevier“中国高被引学者”，多次入选全球前2%科学家影响力榜单和全球顶尖前10万科学家榜单，获教育部和北京市自然科学一等奖，国际杂志 IET Nanodielectrics 创刊主编。

 

报告题目：

机器学习助推聚合物介质材料与电力装备性能

 

报告内容：

长期以来实验科学为发展新型材料和改善装备性能方面提供了有力支撑。近年来随着机器学习技术的快速发展，其在材料科学领域的应用展现出巨大的潜力，尤其是在计算分子设计和聚合物电介质开发方面。本报告围绕机器学习在高温聚合物电介质设计中的应用展开，旨在通过先进的生成模型和数据驱动方法，加速新型耐高温聚合物材料的发现与优化。相关内容不仅为高温聚合物电介质的设计提供了新的思路和方法，也为材料科学中的机器学习应用提供了重要参考。同时，也利用机器学习探讨如何提升电力装备的性能。

 

康鹏 副教授

北京航空航天大学

材料科学与工程学院

 

康鹏，北京航空航天大学副教授，博士生导师，入选国家级海外高层次青年人才计划，杭州天目山实验室 (航空浙江省实验室) 青年科学家。2018年获得北京科技大学博士学位；2018年至2021年于加拿大McGill University从事博士后研究；2021年–2023年就职于加拿大Nanoacademic Technologies Inc.，任研究员；2023年4月加入北京航空航天大学。主持国家自然科学基金 (青年科学基金项目)、加拿大自然科学与工程委员会 (NSERC) 基金项目、及加拿大研究与发展部 (DRDC) 横向课题；主持开发了机器学习加速第一性原理分子动力学程序PYRAIMD及“天目山七号”航空航天关键材料智能设计平台等数字化研发平台。

 

报告题目：

人工智能赋能高分子材料设计案例分享

 

报告内容：

聚酰亚胺 (PIs) 的玻璃化转变温度 (Tg) 是其热稳定性的关键决定因素，对于航空航天、电子和柔性显示技术等应用至关重要，然而由于小样本数据集的限制，其预测受到阻碍。在本研究中，引入了一种新颖的层次高斯过程回归 (HGPR) 模型，该模型整合了来自1814种耐高温聚合物的先验知识，以提高对697种PI结构的Tg预测精度。通过使用RDKit进行分子描述符计算和特征选择，确定了21个关键描述符，使模型在训练集上实现了0.98的决定系数R²，在测试集上达到了0.75，超越了传统机器学习方法。SHapley加性解释 (SHAP) 分析揭示，可旋转键的数量和最小局部电荷是影响Tg的主要因素，为设计热稳定的PIs提供了可操作的见解。通过对八种新PI结构的合成和分子动力学模拟验证，确认预测误差低于15%，而采用径向基函数核的贝叶斯更新策略纠正了高温Tg区域 (>27 ℃) 的系统性低估。这项工作提供了一个经过验证的强大Tg预测工具，阐明了关键的结构-性能关系，并建立了一个可转移的数据驱动材料设计框架，推动了高性能聚合物的发展。

 

 

特刊推荐

 

Section： Artificial Intelligence in Polymer Science

点击链接，了解更多栏目信息：https://www.mdpi.com/journal/polymers/sections/Artificial_Intelligence_in_Polymer_Science。

 

Advanced Resin Matrix Composites: Synthesis, Characterization, Processing and Applications, 2nd Edition

点击链接，了解更多特刊信息：https://www.mdpi.com/journal/polymers/special_issues/B1G710HQJB。

 

Artificial Intelligence in Polymers      

点击链接，了解更多特刊信息：https://www.mdpi.com/si/233559。

 

 

主办单位

 

 

 

合办单位

 

 

 

Polymers 期刊介绍

 

主编：Alexander Böker, University of Potsdam, Germany

 

期刊主题涉及聚合物化学、聚合物分析与表征、高分子物理与理论、聚合物加工、聚合物应用、生物大分子、生物基和生物可降解聚合物、循环和绿色聚合物科学、聚合物胶体、聚合物膜和聚合物复合材料等研究领域。

 

2023 Impact Factor	4.7
2023 CiteScore	8.0
Time to First Decision	14.5 Days
Acceptance to Publication	2.6 Days

 

点击链接，订阅期刊最新资讯：https://www.mdpi.com/journal/polymers/toc-alert。