AI在塑料助剂功能化设计中的应用潜力与实现路径

Application Potential and Implementation Path of AI in Functional Design of Plastic Additives

摘要

人工智能（AI）是一种模拟人类认知与行为模式的综合技术体系，通过算法与大规模数据的结合，使机器具备自主学习和智能推断等多元化功能。在塑料助剂的研发与功能设计方面，AI技术展现出广阔的应用前景，可贯穿于原料筛选、配比优化、生产过程调控及性能预测等关键环节，为其提供高效且科学的决策支持。尽管如此，该技术在实际应用中仍存在若干局限，包括训练数据在数量与质量上的不足、算法模型透明度较低以及产业化落地路径不够清晰等问题。为推动AI在塑料助剂开发中的深度融合，应构建适应行业特点的数据共享体系，推进可解释性更强的算法研究，总结不同应用场景下的示范案例，从而逐步替代以往依赖试错的传统研发模式，促进行业由经验主导向数据驱动转型。

Abstract

Artificial intelligence (AI) was a comprehensive technical system that simulated human cognitive and behavioral patterns, enabling machines to perform diverse functions such as autonomous learning and intelligent inference through the integration of algorithms with large-scale data. In the research and development and functional design of plastic additives, AI technology demonstrated broad application prospects, and could be integrated into critical stages including raw material screening, formulation optimization, production process control, and performance prediction, providing efficient and scientific decision-making support. Nevertheless, several limitations remained in its practical application, including insufficient quantity and quality of training data, relatively low transparency of algorithmic models, and unclear pathways for industrial implementation. To promote the deep integration of AI in the development of plastic additives, it was necessary to establish a data-sharing system adapted to industry characteristics, advance research on more interpretable algorithms, and summarize exemplary cases across different application scenarios, thereby gradually replacing the traditional trial-and-error-dependent R&D model and facilitating the industry's transformation from experience-driven to data-driven approaches.

Graphical abstract

关键词

人工智能 / 塑料助剂 / 数据生态 / 协同优化 / 可解释AI技术

Key words

AI / Plastic additives / Data ecology / Collaborative optimization / Explainable AI technology

塑料工业是现代制造业的支柱产业之一，正处于转型升级的关键时期，目前对高性能、多功能塑料助剂的需求日益迫切。随着环保法规日趋严格及终端应用领域对材料性能要求的不断提高，塑料工业正加速向高性能、功能化、绿色化方向转型^[1]。转型升级重构整个产业链的价值分布，助剂创新已成为提升塑料产品附加值的关键环节^[2]。塑料产品的外形设计作为实现功能与市场竞争力的直接载体，同样面临着个性化、轻量化、结构功能一体化等新需求，需要与助剂功能化设计协同推进。面对快速增长的市场，传统塑料助剂功能化设计所依赖的经验试错法、机理驱动法在应对复杂需求时均表现出明显局限性，难以处理高分子材料多尺度结构的复杂关联^[3]。

机器学习、多尺度建模与仿真、机器人实验系统等人工智能(AI)技术的引入，为突破塑料助剂功能化设计的局限提供全新路径。这些技术不仅能优化已知助剂体系，还可通过逆向设计发现全新分子结构，突破现有性能边界^[4]。生成式设计等AI方法也为塑料外形创新提供新思路，能够根据力学性能、成型约束、美学参数等自动生成多样化的外形方案，并与材料性能预测相结合，实现从分子结构到宏观形态的一体化智能设计。AI技术在塑料助剂领域的应用，可加速创新周期，降低研发成本，促进绿色可持续发展，从根本上改变塑料助剂的研发范式与产业生态，形成“需求牵引-快速响应”的新型供应链关系，综合提升我国塑料产业竞争力^[5]。本文旨在系统分析AI在塑料助剂功能化设计中的应用潜力、问题及改进方式，优化智能化时代塑料助剂的功能化设计。

1 AI在塑料助剂功能化设计中的应用前景

塑料助剂作为改善树脂加工性能和应用特性的关键组分，其研发过程涉及复杂的配方优化与性能预测^[6]。AI技术逐步渗透到材料科学领域，能够快速预测助剂结构与性能的关系，为塑料助剂的功能化设计带来革命性变革，推动塑料助剂行业向智能化、精准化方向发展。

1.1 分子结构智能设计与性能预测

深度学习技术为塑料助剂分子的智能化设计提供全新范式。图神经网络(GNN)具有对分子拓扑结构的天然表征能力，成为分子生成领域的核心技术^[7]。在塑料助剂设计过程中，GNN可将分子结构直接编码为图数据(原子为节点，化学键为边)，通过消息传递机制学习原子间相互作用模式，进而生成具有特定功能的新型助剂分子^[8]。林嘉平教授团队构建名为“AI plus Polymers”的系统^[9]，汇集丰富的高分子结构与性能信息，能够依据设定的性能指标反向推演适宜的分子构造，实现从性能导向出发进行结构设计的逆向开发模式，有效克服传统依赖试错的研究方式的局限。生成对抗网络(GAN)和变分自编码器(VAE)等深度生成模型在塑料助剂功能化设计中可通过训练学习大量助剂分子的结构特征与性能关系，生成既符合化学规则又满足特定功能需求的新型分子^[10]。

AI技术驱动的高通量计算方法为探索塑料助剂结构与性能之间的关联提供高效解决方案。借助机器学习构建的性能预测模型能够对大量虚拟分子进行快速性质评估，特别适用于塑料助剂开发过程，例如高效筛选出具有阻燃或抗静电等目标功能的化合物，大幅缩减传统逐一合成与测试方法所需的时间和资源投入^[11]。

在数据有限的情况下，迁移学习与元学习方法展现出卓越的泛化能力^[12]。例如，结合图注意力机制与元学习框架的Meta-GAT模型即使在样本不足时仍能实现准确的化合物属性预测，其构建的Meta-molnet基准数据集也为少样本学习研究提供关键数据支持^[13]。这类AI模型可首先在与塑料助剂相关的大规模数据集上进行预训练，再借助少量专业领域样本完成微调，显著降低对标注数据规模的依赖^[14]。

AI通过生成式设计和深度学习技术还可直接为塑料外形设计提供依据。它能根据预设的外形功能需求逆向推演所需的分子结构，并通过性能预测模型预先评估设计方案的可行性，实现从性能到外形的一体化智能创造，显著提升塑料外形设计的成功率和效率。更进一步，AI驱动的生成式设计方法能够基于拓扑优化算法在满足特定质量、强度、刚度等约束条件下，自动生成材料分布最优的塑料结构外形。结合3D打印等增材制造技术可实现传统方法难以加工的复杂轻量化结构，拓展塑料产品的外形设计自由度

1.2 多目标协同优化系统

AI技术在塑料助剂功能化设计领域的显著优势是实现加工性能、使用性能与环境友好性三者间的动态平衡^[15]。深度学习网络能够从海量历史数据中挖掘隐性关联规律，建立助剂分子结构、加工参数与最终性能之间的非线性映射关系^[16]。以聚氯乙烯(PVC)热稳定剂为例，AI模型可同时分析不同类型稳定剂的热稳定性、加工流动性、环保性等数十项指标，通过特征重要性排序确定影响各性能的关键分子结构参数，提出修饰方案，实现性能指标的全面提升^[17]。GAN通过构建生成器与判别器的对抗训练可创造出新型助剂分子结构，实现加工性能与环境友好性的平衡。

塑料助剂功能化设计本质上是高维约束优化问题，需要在原材料成本、加工温度范围、相容性、迁移性、法规符合性等数十项约束下寻找满足终端应用的最佳方案^[18]。贝叶斯优化算法通过构建代理模型近似目标函数，利用获取函数指导下一实验点选择，能够以最少实验次数快速收敛到性能最优区域，降低实验成本。符号回归算法能够从实验数据中自动发现描述助剂性能的显式数学表达式，揭示意想不到的变量组合与作用机制，为分子设计提供新思路^[19]。吉林大学任露泉院士团队在开发仿生智能材料时利用符号回归发现纤维取向角度与材料黏弹性之间的非线性关系，为设计速率依赖性助剂提供理论指导^[20]。多尺度建模与AI结合可使塑料助剂设计跨越从分子到宏观产品的多个尺度。量子力学计算预测分子性质，分子动力学模拟界面相互作用，有限元分析宏观性能，AI算法则整合各尺度信息构建完整性能预测模型。将多尺度建模应用于复杂塑料助剂体系设计有利于提高产品开发效率^[21]。

在塑料外形设计方面，多目标优化同样重要。AI可同时考虑外形美观性、结构强度、成型工艺可行性、成本等多个目标，通过多目标优化算法实现美学与工程学的有效平衡。多尺度建模与仿真结合AI技术可实现从微观材料特性到宏观产品性能的贯通分析。通过分析助剂对材料流动性的影响，预测其在注塑成型中的填充行为，进而优化模具设计和产品外形，避免缩痕、翘曲等缺陷，提升外形质量与成型效率。

2 AI在塑料助剂功能化设计中存在的问题

塑料助剂作为提升塑料材料性能并拓宽其应用范围的重要组分，在现代工业中发挥着不可替代的作用。尽管如此，AI技术在助剂功能设计与开发过程中仍面临一系列亟待解决的难题。这些难题不仅限制AI技术潜力的有效发挥，也延缓整个塑料产业实现数字化与智能化升级的进程。

2.1 高质量数据壁垒

塑料助剂的结构与性能数据通常由多个不同机构分别掌握，如生产厂商、科研院所及下游应用企业。这种数据分布模式导致其在传输与共享过程中面临明显阻碍。尽管制造商持有丰富的生产流程参数、制品配方及对应性能指标，但由于涉及商业秘密，这类信息往往受到严格保护^[22]。高等院校及研究单位虽积累翔实的实验记录和材料表征成果，却普遍缺少工业化验证及大规模生产环节的数据支持。数据碎片化导致AI模型训练所需的高质量、大规模数据集难以形成，严重限制了机器学习算法的泛化能力和预测精度，造成了科研资源的浪费^[23]。

在塑料外形设计领域，高质量数据的缺乏同样突出。完整的外形设计数据集不仅需要包含最终的三维模型，还应关联材料信息、成型工艺参数、测试条件、性能指标(如力学性能、耐久性)以及用户反馈等。这类多模态、跨领域的数据整合难度大，缺乏统一标准，制约AI在外形创新中的应用。

林嘉平教授团队在开发“AI plus Polymers”高分子材料研发平台时，花费大量时间和资源从零开始构建数据库，最终只汇集15万条高分子结构性能数据和140万条化学反应数据^[24]。同时，数据所有权与利益分配问题进一步加剧数据孤岛现象，塑料助剂行业涉及原材料供应商^[25]、助剂生产商^[26]、塑料制品企业、科研机构^[27]等多方利益主体，各方对数据价值的认知和利益诉求存在明显差异。若缺乏明确的数据产权界定和利益分配机制，数据持有者便缺乏共享动力，导致行业知识难以有效整合。

2.2 模型可解释性困境

AI技术在塑料助剂功能化设计领域面临模型可解释性瓶颈，难以提供符合科学认知的决策依据，其在工业实践中的可信度与采纳度受到制约^[28]。塑料助剂行业对产品性能与安全性的严格要求，使生产决策必须基于可追溯、可验证的科学依据。

然而，深度神经网络等主流AI模型的内部工作机制高度不透明，从输入数据到输出预测的转换过程缺乏直观的物理解释^[29]。例如，在磁性微球材料设计中，虽然AI能在十几秒内生成详细实验方案，但科研人员仍依赖专业经验对关键参数进行人工校准。人机协同验证模式虽可弥补模型不可解释性的缺陷，但也大幅削弱AI带来的效率优势。在工业场景下，黑箱问题引发的信任危机更为突出。塑料助剂的功能化设计涉及复杂的分子相互作用和多尺度结构-性能关系，企业决策者难以接受仅凭模型预测结果就调整成熟配方或工艺参数^[30]。

在塑料外形设计中，AI模型的可解释性同样关键。设计师和工程师需要理解AI为何推荐某种特定的外形特征或结构布局，例如为何在某个位置加厚或挖空。如果AI只能给出“最优”外形而无法提供符合工程直觉和设计原理的解释，其建议将难以被采纳，尤其是在涉及安全性和可靠性的产品开发中。

2.3 产业化落地瓶颈

塑料助剂的功能化设计需要综合考量分子结构优化、性能预测及工艺条件设定。尽管AI在高通量计算、分子模拟和配方筛选等领域展现出一定的应用潜力，但实验室研究与规模化生产之间仍存在显著差距。在实验环境中，模型往往依托较为理想的数据基础，而实际生产过程需应对设备运行状态、批次一致性、原料稳定性等多种现实因素的影响。这些复杂变量不仅限制AI模型的预测精度，也导致缺乏切实可行的工程转化途径^[31]。该行业的核心技术，如偶联剂、相容剂与增韧剂等，很大程度上依赖长期实践积累的工艺经验，其中部分知识难以被AI模型完全学习和表达。由于经验与数据之间衔接不充分，许多在实验阶段有效的AI优化方案难以直接推广到实际生产线，从而出现“实验成功而应用困难”的现实矛盾。AI在塑料外形设计方面的产业化应用也面临类似挑战。实验室中通过仿真和AI优化得到的外形方案，在实际生产时可能受到模具加工难度、注塑机参数限制、生产效率要求等现实约束。

3 AI在塑料助剂功能化设计中的实践路径

全球塑料行业正朝着高性能、多功能及环保型方向快速发展。AI逐渐成为塑料助剂功能设计与产品开发过程中的重要推动力，为其带来创新的研究思路和工程实现方法。

3.1 构建行业数据生态系统

构建面向行业应用的塑料助剂功能设计数据库，被视为打破数据共享障碍的关键步骤^[32]。该数据库应覆盖塑料助剂分子结构、合成工艺、性能指标、应用效果等全维度数据，采用统一的元数据标准和数据模型进行组织，并按照抗氧剂、光稳定剂、阻燃剂等助剂功能类别建立模块化子数据库，包含化学结构数字化表示、合成方法、表征数据、相容性评价等结构化字段，以确保塑料助剂数据的系统性与完整性。同时，数据标准化工作应遵循国际通用规范与行业特殊需求相结合的原则。采用国际纯粹与应用化学联合会(IUPAC)命名规则、简化分子线性输入规范(SMILES)分子表示法等化学信息学标准；制定基于行业共识的扩展标准，确保数据的一致性和可比性。区块链技术在数据共享中具有独特优势。研发人员可设计基于联盟链的塑料助剂分子设计数据共享平台，将相关数据的上传、访问、交易记录上链，确保数据流通过程的可追溯性与不可篡改^[33]。为支持AI在塑料外形设计中的应用，数据生态系统的构建应扩展至包含产品外形数据，包括建立标准化的三维模型库、关联材料与工艺参数、收集用户对产品外观及人机工程学的反馈数据等。通过定义统一的数据格式和接口规范，促进外形设计数据与材料数据、工艺数据的融合，为AI实现“外形-材料-工艺”一体化优化奠定基础。

智能实验记录系统能够从源头提升数据质量^[34]。针对塑料助剂研发的实验特点，研发人员可设计专用的电子实验记录本(ELN)系统，内置结构化数据录入模板和自动校验规则，支持实验方案的智能生成与优化^[35]。对于常见助剂合成与性能测试实验，系统可预置标准操作流程(SOP)，引导研究人员规范地记录反应条件、设备参数、环境因素等关键变量，减少人为因素导致的数据缺失或错误。物联网(IoT)集成也是实现数据自动采集的重要途径。企业可在实验设备和生产线上部署传感器网络，实时采集温度、压力、pH值等工艺参数，通过统一接口传输至中央数据库，用于塑料助剂研发过程的全程监控^[36]。在塑料外形设计与制造环节同样可部署传感器网络和视觉检测系统，实时采集注塑成型过程中的压力、温度、流速等参数，同时还可采集成品的关键尺寸和外观缺陷数据。这些数据与三维模型、计算机辅助工程(CAE)仿真结果相结合，可构建用于优化外形设计和成型工艺的宝贵数据集。

3.2 发展可解释AI技术

针对AI在塑料助剂功能化设计中面临的可解释性困境，研究人员重点发展结合第一性原理的混合建模方法与可视化决策路径分析工具。图1为AI在塑料助剂功能化方面设计技术。通过这一技术能够增强AI模型的物理可信度与工业适用性。

物理约束神经网络是提升塑料助剂AI模型可解释性的核心路径。传统数据驱动方法完全依赖统计规律，而混合建模可将第一性原理计算的物理规律以约束条件或先验知识形式嵌入神经网络架构^[37]。物理引导的深度学习框架可迁移至塑料助剂分子设计领域，将量子化学计算的分子轨道理论、电子密度分布等基本物理量作为网络输入或约束条件，确保模型预测符合已知化学原理。在电子结构层面，利用密度泛函理论(DFT)计算关键分子片段的电子特性，作为神经网络的特征输入；在分子相互作用层面，引入分子力场的经典参数作为中间监督信号；在宏观性能层面，则保持数据驱动的端到端学习能力。符号回归与稀疏建模是另一重要技术路线，旨在从数据中直接发现简洁的数学表达式，便于理解和验证^[38]。塑料助剂的功能化通常遵循特定的构效关系，如抗氧化效率与分子中活性基团数量的线性关系。通过应用基于遗传算法或强化学习的符号回归技术，可从高通量实验或计算数据中自动挖掘潜在规律，用于参数优化。对于塑料外形设计，可解释AI技术可聚焦于将工程力学原理、流体力学、美学法则等先验知识融入生成模型或优化算法。例如，在拓扑优化中，除了满足轻量化和刚度要求，还可引入制造约束作为优化边界，使生成的外形既性能优越又易于生产。可视化工具则可展示应力分布、流动路径等物理场信息，解释外形特征与性能表现之间的关联，增强设计师对AI生成方案的理解和信任。

交互式解释功能能够促进AI技术在工业领域中的应用成效。针对塑料助剂研发的实际需要，可借鉴Grad-CAM等可视化技术开发可直观展示模型决策机制的可视化工具。这类工具有助于将神经网络中较为抽象的计算步骤，转变为更符合化学与工程专业人员理解习惯的形式，例如分子结构特征、反应原理或生产参数等，相应生成标识活性区域的作用图示，或用于表达不同工艺参数重要性程度的影响分布图谱^[39]。

清晰认识模型的推理路径对提高使用者对系统的信任度至关重要。通过完整记录并呈现从数据输入到最终输出的完整推断流程，能够帮助用户更透彻地把握每一个预测结论的生成依据。在构建此类系统时，可考虑引入“化学决策回路”等功能组件。例如，若系统推荐某种抗氧剂配方，应能清楚说明该推荐是基于酚羟基的排布形态、空间位阻效应还是溶解性等实际考量。在塑料外形设计AI系统中，可开发类似的“设计决策回路”解释功能。当AI推荐一个外形修改建议时，系统应能追溯并展示其决策依据，为了降低该区域的应力集中、改善熔体流动性，还是满足特定的美学比例原则。这种透明的决策过程有助于人机协作，让设计师能够理解和评估AI的建议，从而在此基础上进行创造性发挥。具备动态交互能力的实验规划辅助系统也能进一步提升AI的实际应用价值。在塑料助剂开发中，这类系统可通过流程图等形式呈现合成路线与工艺配置，清晰标注关键操作节点及潜在影响变量，从而辅助研发人员更直观地把握AI所提供建议的内在逻辑，便于人工调整与后续优化。

3.3 打造示范性应用场景

塑料助剂研发企业可选择重点领域进行突破，形成可复制的标杆案例^[40]。针对行业AI应用碎片化问题，企业应优先在需求明确、技术成熟度高的细分领域打造示范项目，作为AI赋能的突破口。在高性能纤维增强助剂方面，碳纤维、玻璃纤维增强塑料对界面相容性要求极高，AI可通过分子动力学模拟优化偶联剂结构，采用GNN分析纤维-树脂界面相互作用，指导硅烷偶联剂等分子设计，提升复合材料力学性能^[41]；在环保型阻燃剂方面，传统卤系阻燃剂面临环保法规限制，AI可通过高通量虚拟筛选结合机器学习，预测磷-氮协效阻燃体系的最佳配比，缩短研发周期，加速无卤阻燃剂开发；在智能自修复助剂方面，利用AI优化形状记忆聚合物的分子结构，使其在特定温度下实现自修复功能。在塑料外形设计方面，可选取消费电子外壳、汽车轻量化部件等对功能与外观要求高的领域作为示范。例如，利用AI生成式设计方法，为电子产品外壳创制兼具美学独特性、结构强度和良好散热性能的形态，为汽车部件设计内部拓扑优化结构，在保证安全性的前提下实现最大程度的轻量化。这些示范项目能凸显AI在实现外形功能一体化创新方面的价值。

科研机构与塑料助剂研发企业为弥合实验室与生产线之间的鸿沟，需要构建“AI研发-中试验证-规模化生产”的一体化技术转化中试平台，推动实验室成果产业化^[42]。借鉴“高分子材料基因组研发平台”，建设行业级AI中试基地，提供标准化数据接口和智能实验设备，集成机器学习性能预测、配方优化等功能，加速助剂开发；开发数字孪生系统，构建智能制造体系，通过虚拟仿真模拟不同工艺条件下的助剂性能，降低试错成本，扩展至助剂生产的全流程优化；推广AI驱动的机器人实验系统，自动执行极端条件下的助剂合成与测试，提高数据采集效率。对于塑料外形设计，可建立“虚拟原型-快速原型-小批量试制”的数字化中试流程。利用AI快速生成多种外形方案并进行虚拟仿真，筛选出最有潜力的设计进行3D打印快速原型验证，再通过小批量模具试制检验其可制造性和成本。

4 结论

本文系统探讨AI在塑料助剂功能化设计中的应用潜力及实现路径，明确将AI嵌入该领域有助于分子结构智能设计、性能预测及多目标协同优化。针对高质量数据壁垒、模型可解释性困境及产业化落地瓶颈，提出构建行业数据生态系统、发展可解释AI技术、打造示范性应用场景等解决策略。未来应聚焦小样本学习与迁移学习优化、深度融合AI与自动化实验，形成智能化研发模式，推动个性化定制与敏捷供应链建设，助力绿色低碳循环经济发展，重塑塑料助剂产业生态，迎接高效、绿色、智能的新时代。

参考文献

[1] 塑料助剂为塑料工业的发展奠基[J]. 塑料科技, 2015, 43(11): 90.

[2] LAW K L, SOBKOWICZ M J, SHAVER M P, et al. Untangling the chemical complexity of plastics to improve life cycle outcomes[J]. Nature Reviews Materials, 2024, 9(9): 657-667.

[3] MONCLÚS L, ARP H P H, GROH K J, et al. Mapping the chemical complexity of plastics[J]. Nature, 2025, 643(8071): 349-355.

[4] 沈赢洲, 刘磊, 种锦轩, 等. 超分子助剂对间规聚苯乙烯构象和结晶行为的调控[J]. 中国塑料, 2024, 38(12): 1-7.

[5] 梅雪, 蒋平平, 张萍波, 等. 新型PVC环保热稳定剂: 有机改性的肉桂酸插层钙铝水滑石[J]. 塑料助剂, 2024(3): 1-5.

[6] KANG D, KIM H I. Improvement in nano-pattern replication of injection molding by polyamide/dendrimer blend[J]. Polymer Engineering & Science, 2021, 61(3): 822-829.

[7] PECHSIRI J S, SOUZA A M, PECHSIRI C, et al. Exploring the use of a machine assisted goal and scope in a life cycle studies to understand stakeholder interest and priorities[J]. Cleaner Environmental Systems, 2025, 18: 100288.

[8] YUAN L, GUO H L, LI Q Y, et al. Machine-learning-assisted material discovery of pyridine-based polymers for efficient removal of ReO₄ ^- [J]. Environmental Science & Technology, 2024, 58(34): 15298-15310.

[9] GAO L, LIN J P, WANG L Q, et al. Machine learning-assisted design of advanced polymeric materials[J]. Accounts of Materials Research, 2024, 5(5): 571-584.

[10] 刘克实. 基于生成对抗网络和扩散模型的离线强化学习方法[D]. 哈尔滨: 哈尔滨工程大学, 2025.

[11] LI Z X, ZHANG Y Y, CHEN Y Y. Toxicity of nanoplastics: Machine learning combined with meta-analysis[J]. Nanoscale Horizons, 2025, 10(9): 2017-2036.

[12] 邹雨辰, 罗思远, 张海峰, 等. 基于蒙特卡洛方法的双端读出塑料闪烁体条定位算法研究[J]. 核电子学与探测技术, 2025, 45(11): 1641-1652.

[13] JEONG J, CHOI J. Development of AOP relevant to microplastics based on toxicity mechanisms of chemical additives using ToxCast™ and deep learning models combined approach[J]. Environment International, 2020, 137: 105557.

[14] TANG Z C, CHEN G X, YANG H L, et al. DSIL-DDI: A domain-invariant substructure interaction learning for generalizable drug-drug interaction prediction[J]. IEEE Transactions on Neural Networks and Learning Systems, 2024, 35(8): 10552-10560.

[15] 周林, 秦猛. 产学研深度融合 赋能产业升级[N]. 邢台日报, 2024-08-27(3).

[16] 叶永锋. 基于机器学习的注塑制品克重预测及模型可解释性研究[D]. 广州: 华南理工大学, 2022.

[17] HU S L, LI W X. Sabatier principle of metal-support interaction for design of ultrastable metal nanocatalysts[J]. Science, 2021, 374(6573): 1360-1365.

[18] 王乐宇, 佐宝清, 黄若晨. 回收PET塑料资源化利用及产业化进展研究[J]. 广东化工, 2024, 51(20): 67-69.

[19] SHI W J, CAO Z, LONG X B, et al. Predicting estrogen receptor agonists from plastic additives across various aquatic-related species using machine learning and AlphaFold2[J]. Journal of Hazardous Materials, 2025, 494: 138629.

[20] LI J Y, LI B Q, REN L, et al. Magnetic-assisted 3D printing of strain rate-dependent material with biomimetic embedded intelligence[J]. Additive Manufacturing, 2024, 96: 104555.

[21] 李雪. 区块链在塑料企业供应链金融风险控制中的应用[J]. 塑料助剂, 2024(3): 99-102.

[22] 王颖, 黄卫庭, 梁柱. 基于虚拟现实增强技术的塑料模具数字化设计课程教学改革探索[J]. 电脑知识与技术, 2025, 21(11): 145-147.

[23] LI H, TANG Z C, FU J H, et al. Deep-learning density functional perturbation theory[J]. Physical Review Letters, 2024, 132(9): 096401.

[24] ZHANG O, LIN H T, ZHANG X J, et al. Graph neural networks in modern AI-aided drug discovery[J]. Chemical Reviews, 2025, 125(20): 10001-10103.

[25] PENG X T, TEW Y S, ZHAO K, et al. Unlocking deep eutectic solvent knowledge through a large language model-driven framework and an interactive AI agent[J]. Green Chemical Engineering, 2025, 6(4): 572-581.

[26] CHEN T L, PANG Z Q, HE S M, et al. Machine intelligence-accelerated discovery of all-natural plastic substitutes[J]. Nature Nanotechnology, 2024, 19(6): 782-791.

[27] DING Y J, ZHANG S S, KONG X, et al. Replicating PET hydrolytic activity by positioning active sites with smaller synthetic protein scaffolds[J]. Advanced Science, 2025, 12(18): 2500859.

[28] DING B J, YANG F F, HAN W J, et al. Unveiling hidden health risks: Machine learning enhanced modeling of plastic additive release kinetics in fresh produce packaging[J]. Environmental Science & Technology, 2025, 59(24): 12268-12278.

[29] WU B H, ZHONG B, ZHENG L R, et al. Harnessing protein language model for structure-based discovery of highly efficient and robust PET hydrolases[J]. Nature Communications, 2025, 16: 6211.

[30] FANG Y, WEN Y M, DAI L L, et al. Artificial intelligence in plastic recycling and conversion: A review[J]. Resources, Conservation and Recycling, 2025, 215: 108090.

[31] LI R L, SUN X T, HU Y Y, et al. Machine learning-assisted "shrink-restricted" SERS strategy for classification of environmental nanoplastic-induced cell death[J]. Environmental Science & Technology, 2024, 58(51): 22528-22538.

[32] JIANG X, WANG W R, TIAN S H, et al. Applications of natural language processing and large language models in materials discovery[J]. npj Computational Materials, 2025, 11: 79.

[33] XIE L F, MA M L, GE Q Y, et al. Machine learning advancements and strategies in microplastic and nanoplastic detection[J]. Environmental Science & Technology, 2025, 59(18): 8885-8899.

[34] MALICA C, NOVOSELOV K S, BARNARD A S, et al. Artificial intelligence for advanced functional materials: Exploring current and future directions[J]. Journal of Physics: Materials, 2025, 8(2): 021001.

[35] ZHANG Z D, WANG J, GE X H, et al. Mixed plastics wastes upcycling with high-stability single-atom Ru catalyst[J]. Journal of the American Chemical Society, 2023, 145(41): 22836-22844.

[36] SPICER A J, BRANDOLESE A, DOVE A P. Selective and sequential catalytic chemical depolymerization and upcycling of mixed plastics[J]. ACS Macro Letters, 2024, 13(2): 189-194.

[37] HE D P, HUANG G B, ZHOU Z Y, et al. Recent progress for designing of catalysts for photothermal conversion of plastic wastes[J]. Advanced Functional Materials, 2026, 36(6): 2419801.

[38] CHEN J W, WANG W B, ZOU C, et al. Mechanical recycling of mixed plastics by supramolecular dynamic cross-linking strategy[J]. Journal of the American Chemical Society, 2025, 147(28): 24747-24758.

[39] ZHAO B, RICHARDSON R E, YOU F Q. Advancing microplastic analysis in the era of artificial intelligence: From current applications to the promise of generative AI[J]. Nexus, 2024, 1(4): 100043.

[40] LIU P, JIMAJA S, IMMEL S, et al. Mechanically triggered on-demand degradation of polymers synthesized by radical polymerizations[J]. Nature Chemistry, 2024, 16(7): 1184-1192.

[41] WU Y N, ZHAO H B, CHEN M J, et al. Eco-friendly self-adaptive catalytic strategy for plastics lifecycles: Achieving green preparation, superior flame retardancy, and self-driven sustainability[J]. Advanced Functional Materials, 2025, 35(15): 2419263.

[42] ZANDIEH M, LUO X, ZHAO Y, et al. Selection of plastic-binding DNA aptamers for microplastics detection[J]. Angewandte Chemie International Edition, 2025, 64(11): e202421438.

基金资助

国家自然科学基金项目(51309101)