Npj Comput. Mater. : AI驱动的导电网络机理：聚合物纳米复合材料优化

主要观点总结

本文介绍了导电高分子纳米复合材料（CPNs）在柔性电子等领域的应用及其重要性。针对CPNs的结构与性能关系难以揭示的问题，来自大连民族大学和西南医科大学的学者团队提出了一种结合杂化粒子场分子动力学（hPF-MD）模拟与图神经网络（GNN）的方法。利用图神经网络对复杂图结构数据的高效建模能力，揭示CPNs中结构与性能的关系，并为材料性能预测与逆向设计提供新的路径。

关键观点总结

关键观点1: CPNs因其在柔性电子等领域的应用而受到关注，通过在高分子基体中引入导电纳米粒子形成导电网络。

传统方法难以系统揭示结构与性能之间的关系，需要新方法来解决。

关键观点2: 学者团队结合hPF-MD模拟与图神经网络（GNN）的方法，揭示CPNs中结构与性能的关系。

利用图神经网络对复杂图结构数据的高效建模能力，对每个CNT浓度下的hPF-MD平衡态结构构建GNN模型，从结构中提取关键规律。

关键观点3: 研究结果表明，GAT在电导率回归预测中表现出色，能够更准确地捕捉导电网络关键结构特征。

团队还发现了不同浓度均聚物/碳纳米管复合体系中导电网络的形成与演化规律，揭示了最优连接浓度是在7% CNT浓度时。

关键观点4: 该研究不仅揭示了图神经网络在聚合物复合材料性能预测与导电网络结构分析中的应用潜力，也为基于图生成模型的逆向结构设计与导电材料优化奠定了重要理论基础。

该研究对于聚合物纳米复合材料的性能预测、导电网络结构分析、逆向结构设计和材料优化具有重要意义。