近日，我校化学与化工学院李旭副教授团队在国际期刊《Chemical Engineering Journal》发表研究论文。研究面向柔性电子对无色透明、耐高温聚酰亚胺材料的迫切需求，提出机器学习驱动的逆向设计策略，从超过17万个虚拟结构中高效筛选出兼具无色透明与耐高温性能的聚酰亚胺候选材料，为柔性电子材料研发提供了新路径。
聚酰亚胺（PIs）是柔性显示、可穿戴设备等领域的关键材料，但传统产品因电荷转移作用常呈黄棕色，且其化学空间近乎无限，靠试错法调控性能周期长、成本高。针对这一矛盾，团队构建了真实聚酰亚胺的数据库，结合密度泛函理论（DFT)与含时密度泛函理论(TD-DFT)计算获取PIs单体的最大吸收波长（λmax）、电荷转移电子数（CTe）和热分解温度（Td5）等关键参数，系统评估了6种机器学习算法与6种分子指纹算法的组合，最终确定梯度提升模型(GB）结合RDKit指纹为最优研究框架，三项目标性能预测的R²均超过0.94。
通过SHAP可解释性分析，研究揭示了关键子结构的调控机制：柔性醚键可打断共轭连续性、抑制电荷转移，是实现无色透明的关键；含氟取代基通过吸电子效应与空间位阻协同提升透明性；刚性芳香环与柔性脂肪链的协同设计则有助于兼顾耐热性与尺寸稳定性。
基于上述规律，团队将聚酰亚胺解构为二酐与二胺单元，组合生成1530种AB型虚拟单体，并引入柔性醚键构建175,664种ABOC型虚拟单体库。利用多任务学习稀疏编码器模型进行高通量预测与多指标筛选，成功识别出一批同时满足λmax < 400 nm、CTe < 0.2 e、Td5 > 530 °C的候选材料。其中h-BPDA-162表现突出（λmax =370 nm，CTe=0.05 e，Td5 =564 °C），另有287种ABOC型单体满足全部严格条件。合成可及性评估显示，排名靠前的候选材料SAScore均低于3.0，具有良好的合成可行性。
该研究建立了一套可扩展的机器学习驱动逆向设计框架，揭示了柔性醚键、含氟基团、稠合芳香体系等关键子结构对性能的调控机制，为柔性电子用高性能聚酰亚胺的实验合成提供了具体结构线索。
我校化学与化工学院李旭副教授为论文第一作者和通讯作者，海南大学王庆吉副教授为共同通讯作者。研究工作获得国家自然科学基金、海南省自然科学基金等项目支持。
题目：Machine learning-assisted property prediction and virtual screening of polyimides for flexible electronic applications
期刊：Chemical Engineering Journal
DOI：10.1016/j.cej.2026.176113