近日，中国科学技术大学工程科学学院热科学和能源工程系马浩特任教授团队在结晶聚合物链向热输运预测领域取得新进展。相关研究成果以“Refined Theoretical Models for Predicting Chain-Direction Thermal Conductivity in Crystalline Polymers”为题，8月11日在线发表于美国化学会期刊《Macromolecules》，并入选期刊内封面（Supplementary Cover）。

热导率是影响聚合物在电子热管理、热电转换和柔性器件等领域应用性能的关键物性。与无定形聚合物相比，结晶聚合物沿链方向可依靠强共价键和有序骨架实现更高效的声子输运，但其热导率同时受到链构象、晶胞结构、侧链形态和链间作用等多重因素影响，不同材料的链方向热导率可跨越约0.1-100 W m-1K-1。传统实验测量依赖高质量取向样品，分子动力学模拟又受计算成本和力场适用范围限制，因此，建立兼具速度、精度和物理可解释性的快速预测模型，是结晶聚合物热输运研究和材料筛选中的重要问题。

针对这一问题，研究团队在前期理论模型基础上，将与聚合物一致性力场（PCFF）兼容的结晶聚合物数据集由42种扩展至157种，利用平衡分子动力学获得链方向热导率数据，并从聚合物晶胞中批量构建16个具有明确结构和声子物理含义的描述符。为避免传统全局拟合对样本密集热导率区间的偏倚，团队进一步提出分段等权相对误差优化方法，在低、中、高热导率区间之间实现更均衡的拟合。在此基础上，研究分别建立两条互补建模路线：路线I保留源自Slack模型的晶体项，侧重物理可解释性；路线II同时优化晶体项与修正项，更侧重预测性能。（图1）

图1.理论模型开发与描述符筛选的两条并行路线流程图

团队进一步与随机森林（RF）、高斯过程回归（GPR）和支持向量回归（SVR）等模型比较发现，16描述符解析模型的交叉验证与独立测试误差与机器学习模型相当，而仅含4个关键描述符的精炼模型也保持接近的预测性能，同时具备更简洁的显式表达和更强的物理可解释性。（图2）

图2.最终公式与机器学习模型的性能对比

本研究将经典分子动力学、物理描述符和机器学习辅助筛选相结合，建立了两套适用于PCFF兼容结晶聚合物的链方向热导率预测公式。机制分析表明，较小的P、C和Φ以及较大的ρin可协同提高声子群速度、延长声子寿命并提升体积热容，从而促进链方向热传输。该工作为结晶聚合物热导率快速筛选及面向目标热导率的结构设计提供了简洁、可解释的理论工具。

该论文第一作者为工程科学学院硕士生刘陈轩，通讯作者为马浩特任教授。该研究得到国家自然科学基金、中国科学技术大学启动经费、中央高校基本科研业务费专项资金以及中国科学技术大学超级计算中心先进计算资源的支持。

论文链接：https://doi.org/10.1021/acs.macromol.6c00853