传统材料研发依赖试错法，效率低。材料基因组计划（MGI）提出通过高通量计算和大数据加速创新，但材料科学中数据稀缺与机器学习（ML）模型可解释性差成为关键瓶颈。

在软凝聚态物质（如聚合物）领域，实验数据质量参差导致数据量不足。粘度指数改进剂（VII）作为润滑油核心添加剂，其性能依赖聚合物分子结构与温度响应的复杂关系，但现有研究仅聚焦少数商用聚合物（如聚异丁烯），缺乏系统性数据支撑。尽管分子动力学（MD）可模拟聚合物溶液物性，但缺乏针对VII的高通量数据生成方法。此外，现有ML模型多为“黑箱”，难以揭示定量构效关系（QSPR），阻碍聚合物设计的理论指导。因此，亟需开发整合高通量计算、自动化特征工程与可解释AI的框架，以突破数据稀缺限制，推动VII等复杂体系的理性设计。

中国科学院兰州化学物理研究所润滑材料全国重点实验室材料表面界面团队长期致力于润滑油材料的分子模拟工程和人工智能设计研究。近期，研究人员融合高通量分子动力学模拟与可解释人工智能的自动化材料设计框架，破解了润滑油核心添加剂——黏度指数改进剂（VII）研发难题。该研究通过自主开发的智能计算管道，仅从5类商用聚合物出发，高效生成大规模VII数据集（1166组数据），并利用多目标机器学习模型从180万候选分子中筛选出366种高性能聚合物，其粘温性能超越现有商用产品。该工作有望为润滑油行业节省大量实验成本，验证数据稀缺领域“计算驱动-模型解析-材料设计”的研发新范式，在高分子材料、药物设计等领域具有广泛推广价值。

图1.整合高通量分子动力学模拟与机器学习的高粘温性能聚合物开发流程图

图2.基于符号回归（SR）构建VII粘度与PVI预测模型

图3.高性能黏指剂虚拟筛选

以上研究成果以“Exploring high-performance viscosity index improver polymers via highthroughput molecular dynamics and explainable AI”为题发表在npj computational materials上，兰州化物所周锐博士生为论文第一作者，兰州化物所鲍路瑶助理研究员、周峰研究员和兰州大学卜伟锋教授为共同通讯作者。

以上工作得到中国科学院战略性先导科技专项支持。