主要观点总结
本文概述了机器学习在材料科学中的应用，特别是现代高分子科学的起源、发展和未来趋势，以及机器学习在聚合物信息学中的进展。文章讨论了人工智能如何加速材料开发过程，以及信息学驱动的设计规程，包括基于信息学的实用设计规程、基于预设的性能指标，机器学习能够智能地生成材料设计方案，并通过迭代优化不断逼近最优解。同时，文章也提到了机器学习在材料科学中的实践应用，包括基于物理的特征选择和监督学习，以及闭环实验与基于物理的特征选择和监督学习的集成，称为闭环转移(CLT)。此外，文章还强调了机器学习在材料科学中的创新性和重要性，展示了机器学习在材料设计、性能预测和优化等方面的独特优势，并展望了机器学习在材料科学领域的未来发展。
关键观点总结
关键观点1: 现代高分子科学的起源和发展
现代高分子科学起源于20世纪20年代，Hermann Staudinger的工作提出高分子材料如橡胶、纤维素和蛋白质由长链分子单元组成，推动了许多创新聚合物的发明，如尼龙和特氟龙等。
关键观点2: 机器学习在聚合物信息学中的进展
人工智能在聚合物信息学子领域取得进展，特别是利用机器学习算法解决“正向”和“反向”材料设计问题，以及基于信息学的实用设计规程，包括创建目标特性标准、建立ML模型预测器、列举或生成可行聚合物群体，并选择符合设计建议的候选材料。
关键观点3: 机器学习在材料科学中的实践应用
机器学习通过挖掘材料数据中的隐藏规律，为材料性能的预测与优化设计提供支持，并智能地生成材料设计方案，通过迭代优化逼近最优解。同时，闭环实验与基于物理的特征选择和监督学习的集成，称为闭环转移(CLT)，展示了机器学习在材料设计中的应用。
关键观点4: 机器学习在材料科学中的创新性和重要性
机器学习不仅革新了材料科学的研究方法，还推动了材料科学理论的深化和新材料的开发，为材料科学家提供了高效、精准的研究工具，加速材料性能的验证与优化。
关键观点5: 机器学习在材料科学领域的未来展望
随着技术的不断进步和应用的不断深入，机器学习将在材料科学领域发挥更加重要的作用，推动这一学科向更加繁荣、发展的方向迈进。
文章预览
现代高分子科学起源于20世纪20年代Hermann Staudinger的工作，他提出高分子材料如橡胶、纤维素和蛋白质由通过共价键连接的长链分子单元组成（图1a）。这一概念推动了许多创新聚合物的发明，如尼龙和特氟龙等，这些材料广泛应用于日常生活和高科技设备。这一领域的开创性工作为 1953年的诺贝尔奖奠定了基础 ，并继续推动高分子科学的发展。尽管如此， 从概念到商业部署的转变通常需要数年或数十年，原因在于复杂的开发过程、新材料必须满足多种指标以及大量的试错活动。为加速这一过程，未来可以利用人工智能专家系统来编码材料知识和经验，从而实现更快速、可靠的材料开发（图1b） 。这一理念已经推动了全球材料信息学的发展，有望缩短新材料的迭代周期。 在此，美国佐治亚理工学院的 Rampi Ramprasad教授 （通讯作者） 和 Huan Tran （第一
………………………………
