高分子物理的人工智能项目式教学初探

孔宪; 隋岩

doi:10.14028/j.cnki.1003-3726.2026.25.296

您当前的位置：

首页 >

文章列表页 >

高分子物理的人工智能项目式教学初探

教育与教学 | 更新时间：2026-04-30

- 高分子物理的人工智能项目式教学初探
- Preliminary Exploration in Polymer Physics Education with AI-based Projects
- 高分子通报 2026年39卷第5期页码：799-807
- 作者机构：
  
  华南理工大学华南软物质科学与技术高等研究院前沿软物质学院　广州 510640
- 作者简介：
  
  xk@scut.edu.cn
- 基金信息：
  
  广东省科学技术厅资助项目(2023QN10C439)
- DOI：10.14028/j.cnki.1003-3726.2026.25.296
  中图分类号：
- 收稿：2025-10-10，
  
  录用：2026-01-22，
  
  网络首发：2026-03-26，
  
  纸质出版：2026-05-20
- 稿件说明：
移动端阅览
孔宪, 隋岩. 高分子物理的人工智能项目式教学初探. 高分子通报, 2026, 39(5), 799–807.

Kong, X.; Sui, Y. Preliminary exploration in polymer physics education with AI-based projects. Polym. Bull. (in Chinese), 2026, 39(5), 799–807.
孔宪, 隋岩. 高分子物理的人工智能项目式教学初探. 高分子通报, 2026, 39(5), 799–807. DOI： 10.14028/j.cnki.1003-3726.2026.25.296.

Kong, X.; Sui, Y. Preliminary exploration in polymer physics education with AI-based projects. Polym. Bull. (in Chinese), 2026, 39(5), 799–807. DOI： 10.14028/j.cnki.1003-3726.2026.25.296.

摘要

在人工智能变革各个领域的背景下，在高分子物理教学中融入人工智能元素，培养学生数据驱动的意识势在必行，因此本科课程需发展以证据为中心，提升学生的数据意识与跨学科能力。本研究在低年级课程中实施人工智能辅助的软物质理性设计项目式教学，围绕案例、性质、模型与验证，构建分子模拟与机器学习结合的可复现工作流。以聚电解质带电序列效应为案例，学生利用分子模拟获取径向分布函数、回转半径与链末端距等证据，并建立基线模型与深度神经网络完成性质预测与对比。教学结果显示，学生能够完成从建模到评估的闭环，提升证据表达与数据驱动的分析范式。实践表明，该教学模式不仅有助于高分子基本概念的理解和模拟仿真工具的掌握，也有利于数据驱动科研范式的树立。

Abstract

Amid rapid advances in artificial intelligence

integrating AI into polymer physics education is necessary. Undergraduate courses should adopt evidence-centered design to build data literacy and cross-disciplinary skills. We implemented a project-based module on AI-assisted rational design of soft matter in an undergraduate early-stage course. The module is organized around case

properties

model

and validation

and establishes a reproducible workflow that combines molecular simulation with machine learning. Using charge-sequence effects in polyelectrolytes as the case study

students ran simulations to obtain radial distribution functions

radius of gyration

and end-to-end distance. They then trained baseline models and deep neural networks to predict properties and compare methods. The outcomes show that students completed the full loop from modeling to evaluation

improved the clarity of evidence presentation

and adopted a data-driven analytic approach. The module helped students grasp core concepts in polymer physics

gain hands-on experience with simulation tools

and develop habits that support data-driven research.

关键词

Keywords

references

Rubinstein, M. ; Colby, R. H . Polymer Physics . New York : Oxford University Press , 2003 .

郭改萍 , 于建香 , 戴玉华 . 浅谈高分子物理教学的形象化 . 高分子通报 , 2022 ( 9 ), 144 – 146 .

Curtarolo, S. ; Hart, G. L. W. ; Nardelli, M. B. ; Mingo, N. ; Sanvito, S. ; Levy, O . The high-throughput highway to computational materials design . Nat. Mater. , 2013 , 12 ( 3 ), 191 – 201 .

钱虎军 , 施睿 , 吴光鹭 , 朱轩伯 . 用于高分子物理教学的虚拟仿真平台开发及其教学实践初探 . 大学化学 , 2025 , 40 ( 4 ), 147 – 153 .

Sanchez-Lengeling, B. ; Aspuru-Guzik, A . Inverse molecular design using machine learning: generative models for matter engineering . Science , 2018 , 361 ( 6400 ), 360 – 365 .

Butler, K. T. ; Davies, D. W. ; Cartwright, H. ; Isayev, O. ; Walsh, A . Machine learning for molecular and materials science . Nature , 2018 , 559 ( 7715 ), 547 – 555 .

Volk, A. A. ; Abolhasani, M . Performance metrics to unleash the power of self-driving labs in chemistry and materials science . Nat. Commun. , 2024 , 15 , 1378 .

谢丹 , 陈风青 , 姜柏羽 , 肖友华 , 刘丽娜 , 戴进峰 . 基于知识图谱与AI赋能高分子化学的数智化教学思考 . 高分子通报 , 2025 , 38 ( 5 ), 837 – 843 .

张立群 . 人工智能赋能高等教育教学改革的中国范式构建 . 中国高等教育 , 2024 , ( 24 ), 9 – 13 .

高粱 . 高分子物理的“理–实–智”一体化课程改革探索: 以聚乙烯醇缩丁醛合成–结构–性能为课程载体 . 高分子通报 , 2025 , 38 ( 6 ), 972 – 981 .

Thompson, A. P. ; Aktulga, H. M. ; Berger, R. ; Bolintineanu, D. S. ; Brown, W. M. ; Crozier, P. S. ; in ’t Veld, P. J. ; Kohlmeyer, A. ; Moore, S. G. ; Nguyen, T. D. ; Shan, R. ; Stevens, M. J. ; Tranchida, J. ; Trott, C. ; Plimpton, S. J . LAMMPS—a flexible simulation tool for particle-based materials modeling at the atomic, meso, and continuum scales . Comput. Phys. Commun. , 2022 , 271 , 108171 .

Sui, Y. ; Yin, T. T. ; Yang, Z. X. ; Zhao, Y. C. ; Kong, X. Y. ; Wu, D. L. ; Zhou, J. J. ; Chen, X. P. ; Kong, X . Tunable electric double-layer capacitor performance through engineered charge patterns in polyelectrolytes . Macromolecules , 2025 , 58 ( 13 ), 6883 – 6896 .

Rumyantsev, A. M. ; Jackson, N. E. ; de Pablo, J. J . Polyelectrolyte complex coacervates: recent developments and new frontiers . Annu. Rev. Condens. Matter Phys. , 2021 , 12 , 155 – 176 .

Sundaravadivelu Devarajan, D. ; Wang, J. H. ; Szała-Mendyk, B. ; Rekhi, S. ; Nikoubashman, A. ; Kim, Y. C. ; Mittal, J . Sequence-dependent material properties of biomolecular condensates and their relation to dilute phase conformations . Nat. Commun. , 2024 , 15 ( 1 ), 1912 .

Jumper, J. ; Evans, R. ; Pritzel, A. ; Green, T. ; Figurnov, M. ; Ronneberger, O. ; Tunyasuvunakool, K. ; Bates, R. ; Žídek, A. ; Potapenko, A. ; Bridgland, A. ; Meyer, C. ; Kohl, S. A. A. ; Ballard, A. J. ; Cowie, A. ; Romera-Paredes, B. ; Nikolov, S. ; Jain, R. ; Adler, J. ; Back, T. ; Petersen, S. ; Reiman, D. ; Clancy, E. ; Zielinski, M. ; Steinegger, M. ; Pacholska, M. ; Berghammer, T. ; Bodenstein, S. ; Silver, D. ; Vinyals, O. ; Senior, A. W. ; Kavukcuoglu, K. ; Kohli, P. ; Hassabis, D . Highly accurate protein structure prediction with AlphaFold . Nature , 2021 , 596 ( 7873 ), 583 – 589 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

AI融合项目式学习模式培养复合型人才

人工智能技术在《高分子材料》课程中的教学应用与探索

多孔聚电解质功能材料研究进展

机器学习赋能传统高分子实践课程建设与创新

柠檬酸-氯化锌协同酸解分离废旧涤棉混纺织物