随着对利用高分子膜进行二氧化碳捕集、天然气净化和水淡化等分离过程的兴趣不断增长，高分子材料的研发变得尤为关键。然而，由于高分子膜结构的复杂多样性，传统的试错法已经无法满足材料设计的需要，加速材料开发的流程成为亟待解决的问题。近年来，机器学习在高分子膜设计领域崭露头角，特别是在气体分离膜方面发挥了重要作用。构建高分子“结构-性能”关系的机器学习模型成为高通量材料筛选的基础。然而，这些模型的构建需要大量的材料性能数据，而气体渗透性P和选择性α常被用作训练机器学习模型的关键目标。然而，由于大规模实验制备测试和计算建模的费时费力和复杂性，高分子膜的P和α数据相对匮乏，这严重阻碍了机器学习的应用。为了克服这些挑战，新加坡国立大学的姜建文教授和四川大学的汪茂副研究员提出了一项新的方法：利用高分子的自由体积分数（Fractional Free Volume, FFV）和平均孔径（Average Void Size, AVS）这两个“物理信息指导的性能指标”来评估高分子膜的气体分离性能。这种方法旨在规避当前高分子膜性能数据不足的问题。通过采用主动学习和多目标筛选，他们仅通过对整个搜索空间中的0.45%的候选者进行计算，便高效地从155,610个候选者中发现了性能最佳的高分子膜结构。
经过分子模拟验证，这些性能最佳的高分子材料展现出优异的二氧化碳/氮气、二氧化碳/甲烷、氧气/氮气混合物分离性能，超越了现有气体分离膜的性能极限。该工作不仅为高分子膜设计提供了新的思路，还为加速发现用于气体分离和其他重要应用的新材料策略打开了新的途径。
图1.采用物理信息指导的性能指标实现高分子气体分离的性能预测论文信息：
Wang, M.; Jiang, J. Accelerating Discovery of Polyimides with Intrinsic Microporosity for Membrane-Based Gas Separation: Synergizing Physics-Informed Performance Metrics and Active Learning. Advanced Functional Materials n/a (n/a), 2314683.原文链接（Open Access）：
https://doi.org/10.1002/adfm.202314683.声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！
