东北大学提出“界面智能”设计框架：聚合物刷性能预测走向物理可解释
日本东北大学团队在JACS Au提出“界面智能”框架，将物理模型、机器学习、分子模拟、表征数据、主动学习与自动化合成串联，产出物理上可解释、实验上可检验的聚合物刷性能预测，并规划闭环实验路线，有望破解同一聚合物刷在不同条件下性能漂移、难以预测的行业难题。
材料设计
共 2 页，B910化工，AI 化学信息库
机器学习指导设计高介电常数陶瓷：介电常数185、损耗仅0.0005的温度稳定电容器材料
据AZoM报道，一项发表于Nature Electronics的研究用分层机器学习策略指导钨青铜陶瓷的化学共取代设计，获得介电常数185、损耗角正切0.0005、电容温度系数±30ppm/K的温度稳定高介电氧化物，破解电容器微型化中高κ与低损耗、热稳定难以兼得的三难权衡，可应用于射频模块、集成电路与通信系统。
高熵尖晶石氧化物磁有序可线性预测：极端无序体系涌现可设计性
印度Bhabha原子研究中心等机构团队发现高熵尖晶石氧化物的磁转变温度与对应单B位高熵体系呈线性关系，即使极端化学无序下仍保持稳健长程亚铁磁序，为按需设计磁性功能材料建立预测路径。
arXiv展望：聚合物信息学迈向'超级智能'，从性质预测到全设计周期决策
9月28日发布于arXiv（2609.34051）的路线图文章系统梳理聚合物信息学的现状与下一步：该领域已从孤立性质预测发展为耦合数据、模型与决策的整合学科，正朝覆盖聚合物设计全周期的'超级智能'演进。
arXiv综述：机器学习加速高熵合金催化剂设计，破解天文数字级组分空间搜索难题
中国科研团队在arXiv发布综述，系统梳理机器学习方法在高熵合金（HEA）催化剂设计中的应用：通过预测模型与代理模型解析成分-结构-性能关系，结合大语言模型构建集成设计工作流，可显著降低传统试错成本。高熵催化剂因组分空间巨大，正是ML方法最具优势的材料体系之一。
Tb³⁺/Eu³⁺共掺MOF发光温度计研究：建立发射颜色-结构关联，面向免滤光片相机测温
波兰科学院等机构研究者在arXiv发表论文（9月15日提交），研究Tb3+/Eu3+共掺金属有机框架中温度依赖的发射颜色与结构特征的关联，发展可视化发光测温的理性设计准则，面向免滤光片、基于相机的温度读取应用。
锂电电解液设计新工具：可微溶剂数值模型实现溶剂化结构理性设计
Venkatasubramanian Viswanathan团队在arXiv发表可微分溶剂数值模型框架，将Li+溶剂化壳层组成的预测转化为可优化问题，为局部高浓电解液（LHCE）等锂金属电池电解液体系提供从分子性质到溶剂化结构的定量设计路径。
化学家设计出'按指令降解'的超强粘合剂
研究人员开发出新一代粘合剂设计思路：粘性极强，但在特定触发条件下可按需降解——纸箱上的标签到回收时可以干净揭除，伤口上的医用胶带到愈合后可无创移除。这种'临时强粘附+受控解粘'能力有望破解回收流程中标签污染与医用敷料更换两大痛点。
AI设计无氟质子交换膜：机器学习从百万聚合物库筛出1700个候选替代Nafion
佐治亚理工学院Rampi Ramprasad团队展示AI质子交换膜设计策略：虚拟正向合成生成数百万可合成聚合物，机器学习模型预测关键膜性质，筛选出1700余个无氟候选替代Nafion，为绿氢电解槽降本提供路径。
第一性原理筛选MOF-5储氢变体：镉中心+硝基官能团组合吸附能提升至-15.58 kJ/mol
德国奥尔登堡大学Caterina Cocchi团队在arXiv发表第一性原理研究，系统评估MOF-5的金属节点替换（Zn→Mg、Cd）与有机链接官能化（NH2、OH、NO2）对储氢性能的影响。Cd中心与NO2基团组合表现最优，氢吸附能达-15.58 kJ/mol，显著优于原始MOF-5，为先进储氢吸附剂设计提供了框架。
机器学习从十亿级分子空间提炼锂电电解质设计规则：腈主导、醚辅助
arXiv新预印本（2608.16364）对近10亿GDB13分子进行电子-溶剂化描述符高通量筛选，发现高排名候选分子呈现"腈类主导"与"腈醚共存"两种机制，进而提炼出腈为中心、醚为辅助的基元层级。该层级嵌入生成模型后无需显式氟化奖励即可产出高分氟化结构，为锂电池电解质分子设计建立了可解释框架。
碳酸酯位点布局实现类PE可降解聚合物，聚氨酯回收路线获材料学突破
European Coatings报道：通过在聚合物链中精确布置碳酸酯官能团，研究者制成性能接近聚乙烯但可化学降解的类PE材料。该路线为解决聚烯烃难降解问题提供分子设计层面的方案，涂层与包装领域可降解材料选项有望扩充。
物理信息机器学习预测难熔高熵合金八项力学性能 加速高温材料设计
研究人员开发物理信息机器学习框架,结合分位数梯度提升与Born稳定性约束,预测难熔复杂成分合金(CCA)的八项力学性能(体模量、剪切模量、硬度、弹性常数等),使用393个DFT数据点训练,为约10^15种可能组合的实验探索提供筛选工具。
研究提出钙钛矿氧化物储氧能力预测性设计机制依赖描述符
研究人员提出了一组机制依赖型描述符，能够预测钙钛矿氧化物在化学链和储氧应用中的氧气容量。该发现为清洁能源技术中钙钛矿材料的理性设计提供了理论框架，可加速高温空气分离和化学链燃烧催化材料的开发。
机器学习设计不可计算金属有机框架MOF用于光催化
研究团队提出利用机器学习方法设计传统计算无法处理的金属有机框架（MOF）材料的通用框架。以光催化为案例研究，展示了ML方法在处理复杂多参数材料设计中的能力。该方法可推广到催化剂、吸附剂和储能材料的发现。论文7月29日提交arXiv。
Kemira与CuspAI利用生成式AI设计PFAS去除材料，6个月筛选300万亿结构锁定20个候选
芬兰化学品公司Kemira与英国AI初创公司CuspAI合作，利用生成式AI从约300万亿种可能的金属有机框架结构中筛选出5000余种PFAS去除材料设计方案，最终锁定约20个优先候选。该项目针对GenX、PFBS和PFOS三种目标分子，仅用6个月完成发现阶段，是首个将生成式AI端到端应用于PFAS修复材料设计的商业合作。当前PFAS修复主流技术为颗粒活性炭，此次AI驱动的新材料设计有望为下一代高选择性去除产品开辟路径。