吉林大学杨明教授联合密歇根大学Nicholas A.Kotov教授，从界面化学和物理学的角度讨论了设计复杂仿生材料的方法。团队通过分析生物复合材料及成功的仿生学案例，提出了基于泰勒级数和性质差分的框架，以量化不同性质间的相互依赖性。相关文章于2024年12月发表在Nature Reviews Materials。

仿生学是工程领域的重要概念，基于对生物原型的组成、结构和功能的模仿，建立分子、材料、工艺和设备的设计原则。随着社会的发展，对兼具多种特性材料的需求持续增加，进一步推动了仿生结构领域的巨大发展。这些材料结合了有序和无序的特点，使得它们的结构复杂化，因此难以定量描述和复制。目前，基于人工合成分子和纳米构造基元，人们可以模仿复制生物组织的结构，并成功开发了许多高性能纳米复合材料。但是，为了满足在能源、水、健康等领域对具有更高性能材料的需求，仍需要快速推进材料设计过程，建立多维属性评估体系。因此，亟需从传统的仿生学向定量仿生学发展。

尽管此前科研人员基于生物启发进行了大量的研究工作，但仍然存在三方面的问题。首先，很多模仿在较大程度上仍然是定性的。其次，目前制备的仿生材料难以实现有序与无序的平衡，不利于材料有效发挥其功能并适应可变环境。最后，不同的物理性质往往是相关的，如何兼顾两种或者多种相互矛盾的特性面临着根本挑战。

利用泰勒展开式来表达材料性质与结构参数的关系，可以为如何降低甚至去除性质相关性提供重要指导。为了限制泰勒展开式中的叉积，团队考虑了有序无序结合、大形变、多尺度组织与超材料的结构参数、前置因子的补偿效应以及界面处微分的不连续性五种具体情况。其中，界面的利用是材料工程领域的一种通用方法，在生物体中也广泛存在。与体相材料相比，特有的键合方式使得界面处存在多样性和不规则性，这些结构差异为解决不同性能相互制约的难题提供了巨大的优势。

此外，文中还讨论了分子动力学模拟、机械模型和机器学习在定量仿生学中的重要作用。机器学习可以作为在相应的泰勒级数中建立性质微分的一般途径，非常适合大多数非线性的属性差异预测。将理论、模拟和机器学习相结合，为利用具有高体积密度界面、图论描述，以及分层多尺度结构来实现性能的多维度优化提供了有力的支持，也是定量仿生学的关键所在。（来源：中国科学报 孙丹宁）

相关论文信息：https://doi.org/10.1038/s41578-024-00753-3