高分子自组装与纳米结构调控
围绕 conjugated block copolymers、polyoxometalate clusters 和 block-copolymer-like nanoparticles,研究 π-π interactions、enthalpy-driven assembly、薄膜厚度和配体流动性如何决定二维方形组装、相行为与纳米结构尺寸。
中文学术主页 · 计算模拟驱动的高分子材料研究
研究围绕高分子自组装、聚合物纳米复合物、单链纳米粒子、滑环/聚轮烷体系和软物质动力学展开。核心方法是将全原子与粗粒化 molecular dynamics、统计物理图像、结构-性质关系和 AI-assisted materials discovery 结合起来,服务于可解释、可验证的高分子材料设计。
我的研究长期围绕计算高分子科学与软物质物理展开,重点关注高分子链构象、纳米填料界面、自组装形貌、玻璃化动力学和拓扑约束体系中的结构-动力学关系。研究对象包括 block copolymers、polymer nanocomposites、single-chain nanoparticles、polyrotaxane 以及 hydrogen-bonded supramolecular polymers 等复杂高分子体系。
围绕 conjugated block copolymers、polyoxometalate clusters 和 block-copolymer-like nanoparticles,研究 π-π interactions、enthalpy-driven assembly、薄膜厚度和配体流动性如何决定二维方形组装、相行为与纳米结构尺寸。
通过 full atomistic molecular dynamics 和 coarse-grained simulations 分析 attractive nanoparticles、POSS nanofillers、side-group interactions 对界面层结构、链段松弛、hopping diffusion、glass transition temperature 和 viscosity reduction 的影响。
关注 single-chain nanoparticles 在 cosolvent condition 下的 compactness、supercooled melt structure、segmental dynamics 与温度响应,揭示链内折叠、局部拥挤和玻璃化动力学之间的联系。
围绕 rings on polyrotaxane、slide rings excluded volume 和 anomalous segmental dynamics,研究拓扑约束、熵驱动 localization、sliding dynamics 与链段松弛行为,连接高分子拓扑结构和宏观动力学性质。
基于上述研究积累,后续方向可以自然延伸到高分子人工智能材料发现:把分子模拟生成的结构、动力学、热力学和界面证据转化为可学习的数据表示,再用 graph neural networks、active learning、generative modeling 和 LLM-assisted workflows 提升候选材料筛选效率。
这一路线强调 AI 与物理模拟互补:AI 负责搜索、排序和不确定性评估;molecular dynamics 与物理模型负责验证、解释和产生可信训练信号。
代表性论文覆盖高分子自组装、纳米复合物界面动力学、单链纳米粒子、polyrotaxane 与超分子高分子等方向。文章题名保留英文原文,便于检索和引用。