机器学习方法在高分子玻璃化研究中的应用

高分子玻璃的物理性质与其结构和动力学密切相关.揭示高分子玻璃化的微观物理图像对高分子玻璃材料的结构调控和分子设计至关重要.然而,高分子的长链结构和复杂单体结构特征致使目前仍然缺乏普适的理论或者模型来定量解释高分子玻璃化的物理机制.因此,亟需发展更为先进的研究方法从而更深入地理解高分子玻璃化.近年来,国内外学者利用基于数据驱动的信息学方法(例如机器学习)对高分子玻璃化开展了研究,并取得了丰富成果.本综述首先介绍了常用的高分子信息学数据库和机器学习算法.之后,从高分子玻璃化转变温度的预测、新型高分子玻璃材料的研发、过冷液体的结构-动力学关系和玻璃体系相变的确定四个方面总结和评述了机器学习应用在玻璃化研究中的代表性进展.最后,探讨了机器学习方法在高分子玻璃化研究中面临的主要挑战,并对玻璃信息学这一领域的发展进行了展望.     

高分子玻璃化熵理论研究进展

玻璃化问题的理论描述是凝聚态物理中的重要基础科学研究课题.高分子是研究玻璃化的典型模型体系,其独有的分子特征为发展有效、普适的玻璃化理论提供了新的机遇.构型熵是发展玻璃化理论的一个核心物理量.基于构型熵的模型可追溯至近一个世纪前观察到的熵与动力学关联的实验现象,并且近年来该理论的发展进入了一个新的阶段,特别是在高分子玻璃化的研究中.本文首先对玻璃化经典熵理论的发展进行了回顾,并介绍了高分子玻璃化熵理论的基本框架.之后,从分子细节影响高分子玻璃化的物理机制、热力学标度与活化体积的理论描述和高分子过冷液体的热力学-动力学关系三个方面阐述了本课题组近年来基于高分子玻璃化熵理论的研究进展,重点强调了该理论在理解高分子玻璃化关键问题中的价值和优势.最后,探讨了高分子玻璃化熵理论进一步发展面临的问题与挑战,并且对玻璃化理论研究的未来发展方向进行了展望.