KNOXVILLE, TN, 30 octobre 2025 /24-7PressRelease/ — L'équilibre entre rigidité, résistance et ténacité dans les films de polyimide thermodurcissables a longtemps constitué un défi pour les scientifiques des matériaux. Dans cette étude, des chercheurs ont combiné l'apprentissage automatique avec un cadre de génome des matériaux pour prédire et optimiser rapidement ces propriétés concurrentes. En définissant les sous-structures polymères comme des « gènes » moléculaires, ils ont examiné plus de 1 700 candidats polyimides terminés par phényléthynyle et ont identifié une formulation, PPI-TB, présentant simultanément un module de Young élevé, une résistance à la traction et un allongement à la rupture élevés. Les prédictions du modèle ont été confirmées par des simulations de dynamique moléculaire et des tests en laboratoire. Cette stratégie intégrée raccourcit considérablement les cycles de développement et offre une voie rentable et axée sur les données pour concevoir des films polymères hautes performances.

Les films de polyimide sont essentiels dans l'aérospatiale, l'électronique flexible et les technologies d'affichage micro pour leur stabilité thermique et leur isolation. Cependant, l'optimisation mécanique reste insaisissable : un module élevé réduit souvent la ténacité, et l'amélioration d'une propriété tend à compromettre une autre. La synthèse traditionnelle par essais et erreurs est lente, coûteuse et limitée dans l'exploration d'espaces moléculaires complexes. L'essor des approches de génome des matériaux — intégrant le calcul, l'expérimentation et l'IA — offre une solution en apprenant les relations structure–propriété directement à partir des données. Pourtant, la plupart des modèles antérieurs traitaient des propriétés uniques ou de petits ensembles de données. En raison de ces défis, une stratégie systématique et à haut débit est urgemment nécessaire pour concevoir des polyimides avec des performances mécaniques supérieures et bien équilibrées.

Une équipe de recherche de l'East China University of Science and Technology a développé une approche de génome des matériaux assistée par IA (MGA) qui permet la conception rapide de polyimides thermodurcissables hautes performances. Leur étude (DOI : 10.1007/s10118-025-3403-x), publiée en ligne le 2 septembre 2025 dans le Chinese Journal of Polymer Science, présente un modèle d'apprentissage automatique capable de prédire trois paramètres mécaniques clés — le module de Young, la résistance à la traction et l'allongement à la rupture — sur des milliers de structures candidates. L'approche a identifié avec succès une nouvelle formulation, PPI-TB, dont les performances ont surpassé celles de polyimides de référence bien connus.

L'équipe a construit des modèles de régression par processus gaussien (GPR) entraînés sur plus de 120 ensembles de données expérimentales de films de polyimide. Les fragments structuraux de chaque polymère — dianhydride, diamine et unités de terminaison — ont été traités comme des « gènes », définissant un vaste espace chimique de 1 720 polyimides terminés par phényléthynyle (PPI). Les modèles ont atteint une précision prédictive élevée (R² ≈ 0,70–0,74) pour les trois mesures mécaniques et ont été utilisés pour évaluer chaque candidat pour une performance mécanique complète. Les simulations de dynamique moléculaire ont validé le criblage, montrant que PPI-TB (combinaison de gènes A₄/B₃₂) présentait un module supérieur (3,48 GPa), une ténacité et des indicateurs de résistance par rapport aux systèmes établis PETI-1 et O-O-3. Des expériences ultérieures sur des PPI représentatifs ont confirmé la forte cohérence entre les données prédites et mesurées.

Des analyses supplémentaires des « gènes » et de l'importance des caractéristiques ont révélé des principes de conception clés : les structures aromatiques conjuguées améliorent la rigidité, les hétéroatomes et les hétérocycles renforcent les interactions moléculaires, et les unités flexibles contenant du Si ou du S améliorent l'allongement. Ensemble, ces insights démontrent comment l'intégration des prédictions de l'IA avec l'interprétation moléculaire peut découvrir des règles structure–propriété et accélérer l'innovation des polymères.

« En traduisant les fragments polymères en descripteurs de type génétique, nous pouvons traiter la conception moléculaire comme le décodage d'un génome », a déclaré le professeur Li-Quan Wang, l'un des auteurs correspondants de l'étude. « L'apprentissage automatique prédit non seulement la performance, mais révèle également quels « gènes » chimiques la pilotent. Cette synergie entre la science des données et la chimie nous permet d'explorer des possibilités de matériaux qui prendraient des décennies par des moyens conventionnels. Le succès de PPI-TB illustre comment l'IA peut redéfinir le processus de découverte pour les polymères haute température de nouvelle génération. »

La stratégie de génome des matériaux pilotée par l'IA fournit un cadre universel et évolutif pour concevoir des polymères avec des combinaisons ciblées de rigidité, de résistance et de flexibilité — des traits essentiels pour la microélectronique, les composites aérospatiaux et les substrats de circuits flexibles. En remplaçant des années d'itération expérimentale par la modélisation prédictive et le criblage virtuel, cette méthode réduit considérablement les coûts et le temps de développement. Au-delà des polyimides, le flux de travail pourrait être adapté pour d'autres classes de polymères hautes performances, guidant la création de matériaux légers, durables et thermiquement stables qui alimentent les futures technologies électroniques et aérospatiales.

Références
DOI
10.1007/s10118-025-3403-x

URL de la source originale
https://doi.org/10.1007/s10118-025-3403-x

Informations sur le financement
Ce travail a été soutenu financièrement par le Programme national clé de R&D de Chine (n° 2022YFB3707302) et la Fondation nationale des sciences naturelles de Chine (n° 52394271 et
52394270).

À propos du Chinese Journal of Polymer Science
Le Chinese Journal of Polymer Science (CJPS) est une revue mensuelle publiée en anglais et parrainée par la Chinese Chemical Society et l'Institute of Chemistry, Chinese Academy of Sciences. Le CJPS est édité par un comité éditorial distingué dirigé par le professeur Qi-Feng Zhou et soutenu par un comité consultatif international dans lequel de nombreux scientifiques polymères actifs renommés du monde entier sont inclus. Les types de manuscrits incluent les éditoriaux, les communications rapides, les perspectives, les tutoriels, les articles de fond, les revues et les articles de recherche. Selon les Journal Citation Reports, le facteur d'impact (IF) 2024 du CJPS est de 4,0.

Chuanlink Innovations, où les idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, enraciné dans l'essence de la transmission et de la connexion, reflète notre engagement à favoriser l'innovation et à faciliter le parcours des idées de la conception à la réalisation.

Lien connexe :
http://chuanlink-innovations.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour 24-7 Press Release (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.