聚合物膜被用于各种气体分离，聚合物气体分离膜的渗透性和选择性通常呈负相关关系。聚合物膜的设计主要基于经验观察，这对发现能够分离特定气体对的新材料是一种限制。因此，合成新一代聚合物气体分离膜的挑战在于设计同时具有高渗透性和选择性的材料。使用化学合成方法并测试可能的聚合物结构及其潜在的化学修饰非常昂贵且耗时。人们已经开发了几种理论方法和模型来理解聚合物材料中扩散和溶解度，其可以对新一代材料进行更合理的设计。
近日，哥伦比亚大学的Sanat K. Kumar教授团队联合南卡大学，马普所等研究人员在《Science Advances》上介绍了一种拓扑的、基于路径的散列聚合物重复单元机器学习（ML）算法。作者使用约700种聚合物的六种不同气体的实验渗透率数据，以预测超过11,000种未经测试的均聚物气体分离行为。为了测试算法的准确性，作者合成了该方法预测的两种最有希望的聚合物膜，发现它们超过了CO2/CH4分离性能的上限。这种ML技术使用较小的实验数据集进行训练，是一种探索聚合物膜设计的新手段。
作者使用指纹法以数字方式表示聚合物重复单元中的化学连接性。在基团贡献方法中，所有构造块都必须先验定义并保持不变；指纹法本质上是动态的，它们可以演变为包括合成的材料。指纹法还考虑了不同单元之间的化学连接性。作者使用RDKit中实现的类似于Daylight的指纹算法将每种聚合物转变为二进制的“指纹”。这种基于拓扑的方法分析了包含一定键数量分子的各个片段，然后对每个片段进行散列处理以生成二进制指纹，该指纹可计算地表示该分子。
通过检查高于CO2/CH4上限的材料及其共同特征，能够洞悉哪些物理量对提高气体渗透性和选择性至关重要。在数据集中的11,325种聚合物中，多硫化物仅占7.00％；但是，它们占越过CO2/CH4上限聚合物的大部分（53.00％）。此外，在突破上限的小组中，聚砜（总计5.30％，18.00％超过上限）和聚酰亚胺（总计17.65％，35.00％超过上限）所占的百分比更大。芳香族聚醚占总预测数据集的30.78％，但仅占突破上限的21.00％。通过创建二维直方图来进一步分析打破上限的聚合物。发现18.00％属于聚砜和聚酰亚胺类别，并且17.00％属于聚砜和聚醚类别。因此在这种情况下，含硫基团，沿主链有氧原子或氮环的材料表现最佳。
作者合成了P432095和P432092这两种聚合物，并测试了它们的CO2/CH4传输性能，以实验验证ML数据。通过刮刀将合成的聚合物从溶液中浇铸成薄膜（≈30μm），并使用恒定体积/可变压力实验技术进行测试。如ML模型所预测的，聚合物超过了该气体对的2008 Robeson上限，并且在相同的渗透率值下，P432092和P432095的选择性分别约为上限的7倍和5.5倍。此外还发现实验数据点和预测数据点彼此之间具有相对较好的一致性，这表明ML模型可以用作识别未开发的聚合物进行气体分离的预测工具。
当前使用的ML算法仅针对已经合成的聚合物进行测试。一种更好的方法是在算法中包括聚合物体系结构，然后施加“可合成性”约束作为选择聚合物进行进一步研究的手段。这种方法对于预测具有合成价值的新聚合物十分重要。
