El equilibrio entre rigidez, resistencia y tenacidad en películas de polimida termoendurecible ha representado un desafío persistente para los científicos de materiales. Un equipo de investigación de la East China University of Science and Technology ha desarrollado un enfoque de genoma de materiales asistido por inteligencia artificial que permite el diseño rápido de polimidas termoendurecibles de alto rendimiento. Su estudio, publicado el 2 de septiembre de 2025 en Chinese Journal of Polymer Science, introduce un modelo de aprendizaje automático capaz de predecir tres parámetros mecánicos clave: módulo de Young, resistencia a la tracción y alargamiento en la rotura.
Los investigadores combinaron el aprendizaje automático con un marco de genoma de materiales para predecir y optimizar rápidamente estas propiedades en competencia. Al definir las subestructuras de polímeros como "genes" moleculares, examinaron más de 1.720 candidatos de polimidas terminadas en feniletilinilo e identificaron una formulación, PPI-TB, con simultáneamente alto módulo de Young, resistencia a la tracción y alargamiento en la rotura. Las predicciones del modelo fueron confirmadas por simulaciones de dinámica molecular y pruebas de laboratorio.
El equipo construyó modelos de regresión de proceso gaussiano entrenados en más de 120 conjuntos de datos experimentales de películas de polimida. Cada fragmento estructural del polímero -dianhídrido, diamina y unidades de terminación- fue tratado como "gen", definiendo un vasto espacio químico. Los modelos lograron alta precisión predictiva para las tres métricas mecánicas y se utilizaron para puntuar cada candidato según el rendimiento mecánico integral. Las simulaciones de dinámica molecular validaron el cribado, mostrando que PPI-TB exhibió módulo superior, tenacidad e indicadores de resistencia en comparación con sistemas establecidos.
Los análisis posteriores de "genes" e importancia de características revelaron principios de diseño clave: las estructuras aromáticas conjugadas mejoran la rigidez, los heteroátomos y heterociclos fortalecen las interacciones moleculares, y las unidades flexibles que contienen Si o S mejoran el alargamiento. Juntos, estos conocimientos demuestran cómo la integración de predicciones de IA con interpretación molecular puede descubrir reglas de estructura-propiedad y acelerar la innovación en polímeros.
Las películas de polimida son esenciales en aeronáutica, electrónica flexible y tecnologías de micro-pantalla por su estabilidad térmica y aislamiento. Sin embargo, la optimización mecánica sigue siendo esquiva: el alto módulo a menudo reduce la tenacidad, y mejorar una propiedad tiende a comprometer otra. La síntesis tradicional por ensayo y error es lenta, costosa y limitada para explorar espacios moleculares complejos. El estudio completo está disponible en https://doi.org/10.1007/s10118-025-3403-x.
La estrategia de genoma de materiales impulsada por IA proporciona un marco universal y escalable para diseñar polímeros con combinaciones específicas de rigidez, resistencia y flexibilidad, características esenciales para microelectrónica, composites aeroespaciales y sustratos de circuitos flexibles. Al reemplazar años de iteración experimental con modelado predictivo y cribado virtual, este método reduce drásticamente el costo y el tiempo de desarrollo. Más allá de las polimidas, el flujo de trabajo podría adaptarse para otras clases de polímeros de alto rendimiento, guiando la creación de materiales livianos, duraderos y térmicamente estables que impulsan las tecnologías electrónicas y aeroespaciales futuras.
