AIDeer | 高分子人工智能材料发现

个人介绍

研究者长期关注计算化学、分子动力学和机器学习在材料科学中的交叉应用，重点解决复杂高分子体系中结构空间大、实验周期长、机理难解释、模拟成本高的问题。当前工作围绕高分子人工智能材料发现平台展开，强调可复现数据、可解释模型、可部署工作流和面向真实研发场景的闭环优化。

研究方法上，结合经典分子动力学、反应力场、分子表示学习、主动学习和生成模型，构建从分子结构设计、性质预测、候选排序到模拟验证的端到端 pipeline。

研究领域

高分子结构-性质关系

面向玻璃化转变、黏度、扩散、溶解性、力学响应等性质，建立可解释的分子与链段级表征。

AI 材料发现

利用 GNN、Transformer 和 active learning 对候选材料进行快速筛选与不确定性评估。

分子模拟自动化

开发分子构建、力场参数化、批量模拟、日志解析、指标汇总和证据追踪的自动化工作流。

生成式分子设计

针对功能单体、添加剂、聚合物片段和电解质组分进行条件生成与多目标优化。

GPU 加速与 HPC

关注 CUDA kernel、邻居表、反应力场分解和 Slurm 任务编排，提升大规模模拟效率。

科研智能体

探索 LLM agent 在文献整理、脚本生成、模拟调度、错误诊断和报告生成中的可靠应用。

高分子人工智能材料发现

高分子材料的设计空间通常由单体、连接方式、聚合度、拓扑结构、共聚比例、构象分布和加工条件共同决定。AIDeer 的研究目标是将这些离散与连续变量统一到机器学习可处理的表征中，并通过模拟与实验数据持续校准模型。

Step 1 · 数据层

结构数据与模拟证据标准化。 收集 SMILES、重复单元、聚合物图、MD 轨迹、热力学与输运性质，形成可追溯数据集。

Step 2 · 表征层

多尺度 molecular representation。 结合 molecular graph、sequence token、3D descriptor 与模拟统计量。

Step 3 · 模型层

多任务性质预测与不确定性估计。 同时预测黏度、扩散系数、溶解度参数、介电性质和热稳定性。

Step 4 · 设计层

生成与筛选闭环。 对候选单体、添加剂和共聚结构进行生成、过滤、排序、模拟验证和迭代优化。

核心理念：AI 不替代物理模型，而是把高成本模拟与高维化学空间连接起来，让每一次模拟都成为下一轮材料设计的有效训练信号。

Selected Publications

Jia, X.; Liu, Y.; Chen, H.; Wang, R. Machine-Learning-Guided Discovery of Polymer Electrolytes with Balanced Ion Transport and Mechanical Stability. ACS Appl. Mater. Interfaces 2026, 18, 11234-11247.

Jia, X.; Zhang, M.; Sun, Q.; Li, Z. Graph Neural Network Surrogates for Viscosity Prediction in Molecular Additive Design. J. Chem. Inf. Model. 2026, 66, 1842-1856.

Chen, H.; Jia, X.; Zhao, L.; Wang, R. Active Learning Accelerates Molecular Dynamics Screening of Soft-Matter Transport Properties. J. Phys. Chem. B 2025, 129, 9051-9064.

Jia, X.; Huang, T.; Li, Z. Interpretable Polymer Representations for Structure-Property Modeling across Sparse Experimental Data Sets. Macromolecules 2025, 58, 7710-7724.

Wang, R.; Jia, X.; Liu, Y. Generative Molecular Design of Functional Additives under Synthetic Accessibility and Property Constraints. ACS Omega 2024, 9, 35618-35631.

Jia, X.; Chen, H.; Sun, Q. Automated Molecular Simulation Workflows for Polymer Informatics and High-Throughput Materials Screening. J. Chem. Theory Comput. 2024, 20, 6422-6436.