聚合物接枝自组装多体势: 机器学习

将纳米颗粒（NPs）掺入聚合物中是一种强有力的策略，可以提高惰性聚合物的热力学性能或引入新的属性（光学、电子、磁性或催化性能）。传统上NPs的表面与聚合物配体接枝，由于聚合物分子在NP中引入排斥力从而能够克服粒子间吸引力。

Fig. 1 Role of three-body interactions in governing the morphology of clusters formed by polymer-grafted NPs.

新的研究发现聚合物接枝也可以用于指导NP组装和获得独特的介观形态，如一维弦和二维薄片。这些低维形态通常表现出与三维对应物（超晶格、球状聚集物）非常不同的功能特性。这种各向异性NP相的形成，来自于NPs之间的高体相互作用，即超过成对距离的粒子高阶排列对自由能的微扰修正。

Fig. 2 Machine learning approach for deriving analytical many-body potentials for modeling the effective interactions between polymer-grafted NPs in a polymer matrix.

然而，在NP组装的模拟中捕获这种相互作用是非常具有挑战性的，这是因为聚合物移植物和熔体链模拟的计算成本非常高。近年来，机器学习（ML）技术已经成为一种有效的工具，以有效地近似多体相互作用的原子系统，并已被用于加速从头计算分子动力学（MD）模拟。

Fig. 3 PMF calculations and PIP fitting results.

来自杜克大学机械工程与材料科学系的Yilong Zhou等，开发了一种独特的ML方法来发展分析多体势，它可以准确地描述聚合物基体中球形聚合物接枝NPs之间的二体和三体相互作用。