npj Comput. Mater.| 图注意力网络揭示导电网络机理并加速高分子纳米复合材料设计

今天为大家介绍的是来自大连民族大学的赵英副教授、许爽教授和西南医科大学的毛家顺副教授团队合作发表的一篇文章。研究团队提出了一种新颖的杂化粒子场分子动力学（hPF-MD）模拟与图神经网络相结合的方法，在CNT浓度范围1 - 8%的混合粒子场分子动力学模拟的均聚物/碳纳米管纳米复合材料数据上训练GAT模型，通过将电阻网络方法与GAT注意力得分结合分析导电网络结构，揭示了7%浓度下的最佳连通性，对比分析训练数据和重构网络强调了GAT模型学习网络结构表征的能力，该研究验证了GAT模型在聚合物纳米复合材料性能预测和可解释网络结构分析中的有效性，并为其逆向工程奠定了基础。

导电聚合物纳米复合材料（CPN）因在柔性电子等先进技术领域的应用前景备受关注，其通常由导电纳米颗粒掺入聚合物基体制成，当导电纳米粒子浓度超渗透阈值会形成导电网络结构赋予材料导电性，但聚合物基体与导电纳米颗粒间存在复杂耦合相互作用，导电网络结构和宏观导电性受熵和焓相互作用支配。近年来，研究人员通过实验方法对CPN的自组装行为、相结构和电导率等广泛研究，实验策略和表征技术为材料性能分析和设计奠定基础，但实验方法调整电学特性依赖试错，确定最佳合成条件需重大经济和时间投资。

混合粒子场模拟方法结合基于粒子和基于场的方法优势，在CPN多尺度模拟研究中潜力巨大，如hPF-MD方法可用于研究CPN，CPNs电导率可用电阻网络方法计算，但导电网络结构的随机性给建立微观结构和宏观电导率预测关系带来挑战，有必要全面量化导电网络结构。图神经网络（GNN）因处理复杂结构化数据能力突出成为深度学习焦点，在描述微观结构和宏观性质关系方面表现优越，在新材料开发领域受广泛关注，但人工智能方法在高分子材料研究中的应用仍落后于非有机材料和小分子领域，在预测聚合物材料电性能和结构-性能关系可解释性方面研究有限。研究人员可利用GNN基于计算模拟数据进行深度学习训练构建预训练模型，图卷积网络（GCN）为揭示CPN传导性能机制提供创新方案，图注意机制网络模型为探索导电聚合物材料关键特性提供新视角。

该篇研究旨在阐明CPN复杂性，hPF-MD与电阻网络分析结合发展出基于增量图神经网络（IGNN）的物理信息AI模型，该模型能直接从hPF-MD模拟轨迹中提取和学习结构模式，研究团队期望通过分析揭示导电聚合物网络微观结构特征与电学性能关系，为理解CPN提供理论基础，为预测材料性能和指导实验工作建立实用框架。

研究人员基于PyTorch框架构建改进的GCN和GAT模型，并在1–8% CNT浓度范围的数据集上进行训练与验证。结果表明，改进的GAT在导电率回归预测中误差极小（MAE与RMSE均远低于GCN），能够更准确地捕捉关键网络特征，从而有效指导复合材料的筛选与设计。

图 1

表 1

图 2

研究人员计算了六个关键网络指标，包括平均度、聚类系数、网络密度、最短路径、全局效率和连通分量。结果表明：

• 随着浓度增加，平均度上升，表明粒子连接增强；

• 在6%浓度后，连通分量趋于单一大网络，导电性提升；

• 全局效率在3–5%间显著上升，提示导电通路形成关键节点；

• 聚类系数下降显示结构趋于均匀，利于形成全局导电路径；

• 网络密度下降但导电性保持稳定甚至提高，说明内部结构自组织优化；

• 最短路径在高浓度时缩短，提升了电子传输效率。

这些指标综合揭示了CNT浓度与导电网络结构演化的规律。

表 2

图 3

通过对不同浓度下的注意力矩阵分析，研究人员发现：

• 在1–3%浓度时，网络未能形成有效导电通路；

• 从4%开始导电性逐步提升，并在7%时达到峰值；

• 在7%时，注意力矩阵的方差最低，说明网络连通性最均衡、效率最高；

• 在8%时，尽管浓度增加，但网络因过度连通而效率下降。

这一分析明确了7%为最佳浓度区间，避免了过高填料浓度导致的性能衰减与成本增加。

图 4

图 5

研究人员基于注意力权重重构导电网络，并通过低维特征映射验证了模型学习到的网络结构与输入数据的差异。结果表明，GAT能够有效提取关键连接，优化网络表示，并为导电性能预测提供可靠依据。

图 6

在该篇研究中，研究团队运用 hPF-MD 模拟研究 1%至 8%浓度范围、纵横比为 20.2 的 CNT/均聚物体系动力学，通过宏观电阻法计算各模拟帧电导率，选取 1000 个平衡帧按 80%、20%比例用于训练和验证，发现增量训练的 GAT 模型对电导率回归预测准确性最高。

对不同浓度下 CNT 网络注意力得分矩阵等分析表明，导电网络结构与电导率明显相关，7%浓度（CP7）时导电网络连接效率最高，4%浓度（CP4）电导率初始化并稳定增加，8%浓度（CP8）连通性效率因过度连接和密度而下降，且增加成本。分析注意力得分矩阵变异系数等有助于追踪导电网络演变，凸显中等浓度结构优化及高浓度密集或过度连接网络的限制，得出 CP7 浓度连接效率最佳，CP8 及以上浓度研究价值递减的结论。

利用 GAT 模型第三层 top200 注意力分数重构网络并与输入特征空间比较，证实其注意力分数在传导网络可解释性分析中的可靠性，凸显了可解释图神经网络在相关研究中的潜力。

展望未来，研究团队将探索图生成模型用于聚合物复合材料逆结构设计，为相关方法在聚合物导电和导热复合材料研究中的应用奠定基础，以更有效筛选和优化导电网络结构，提升材料整体性能。

供稿 | MJS

1.Wang, S. et al. Skin electronics from scalable fabrication of an intrinsically stretchable transistor array. Nature 555, 83–88 (2018).

2. Kim, J., de Mathelin, M., Ikuta, K. & Kwon, D.-S. Advancement of flexible robot technologies for endoluminal surgeries. Proc. IEEE 110,909–931 (2022).

3.Sui, T., Liu, S., Cong, B. et al. Graph attention networks decode conductive network mechanism and accelerate design of polymer nanocomposites. npj Comput Mater 11, 280 (2025). https://doi.org/10.1038/s41524-025-01773-5