纸质包装作为塑料的可持续替代品，虽具环保优势，但因透气性导致食品风味流失及有害物质渗入的问题，一直制约其广泛应用。为解决这一难题，格拉茨理工大学固体物理研究所卡琳·佐耶尔(Karin Zojer)带领的研究团队，开发出基于人工智能的预测系统，能够精准计算不同类型纸张对挥发性有机物质的渗透性，为新型包装材料的研发提供有力支持。

该预测系统以实验室检测为基础，研究团队首先精确记录了不同类型纸张的微观结构，包括纤维素纤维的分布和孔隙大小。随后，通过数月的实验室测试，利用气相色谱法测定挥发性有机物质在不同纸张中的迁移速度。然而，传统方法面临纸张类型和挥发性物质组合可能性大、实验耗时长的挑战，难以建立全面预测模型。为此，研究团队引入物理信息神经网络，将物理定律融入计算，作为训练数据的补充。这一创新方法使得人工智能即便从少量数据中也能提取模式，进行精确计算。佐耶尔表示：“这些原则缩小了神经网络必须执行和优化的计算的可能解决方案的范围。”

经过针对单层和多层纸张的人工智能实验，研究团队验证了预测模型的准确性，其效果令人惊喜。目前，参与CD纸张传质实验室项目的造纸商Mondi Uncoated Fine & Kraft Paper已开始使用该软件，为特殊用途选择纸张等级。佐耶尔透露，未来将继续开发该系统，例如考虑纸纤维吸收溶剂膨胀时渗透性的变化，以进一步提升预测精度。

更多信息： Alexandra Serebrennikova 等人，《基于物理学的神经网络揭示了挥发物在纸张中反应扩散的有效模型》，《化学工程科学》 (2024)。