自修复聚氨酯材料在机械强度与自修复效率之间存在着固有的权衡关系。尽管调整原料配比有望解决这一问题，但通过传统试错法寻找合适的配比充满挑战。机器学习为成分-性能关系的建模与优化提供了新思路，然而在数据极其有限的情况下，如何实现对多性能目标的协同优化，仍是当前研究的难点。针对上述挑战，河南大学张敬来教授、王丽教授团队提出了一种化学信息主动学习（CIAL）框架，通过深度融合领域知识与机器学习，成功在仅20组实验数据的基础上，实现了对荧光自修复聚氨酯材料力学性能与自修复效率的协同优化。该框架采用梯度提升回归（GBR）与多目标优化算法（NSGA-III），综合性能指标的相对误差控制在12%以内。
另外，研究团队基于优化得到的P20B配方，开发了一种用于Q235碳钢的智能防护涂层，该涂层不仅具备优异的自修复能力，还能通过荧光信号实时可视化损伤位置，并实现长效防腐。该工作为在极小数据条件下实现聚合物材料的智能设计提供了创新性解决方案。
该成果以“Chemically-informed active learning enables data-efficient multi-objective optimization of self-healing polyurethanes”为题发表于英国皇家化学会旗舰期刊《Chemical Science》（2025年影响因子为8.1，中科院1区Top期刊）。2022级博士研究生梁康、2024级硕士研究生齐新科为论文的共同第一作者，张敬来教授、王丽教授为论文的共同通讯作者。本工作得到了国家自然科学基金以及河南省重点科研项目基础研究计划的资助。
论文链接为：https://doi.org/10.1039/D5SC07752D
