中物院化工材料研究所研究人员发现不敏感高能材料4，4′，5，5′-四硝基-1H，1′H-［2，2′-二咪唑］-1，1′-二胺（DATNBI）的新晶型

在材料化学与药物化学领域多晶型现象引起了人们的广泛关注。对含能材料而言，多晶型将影响其物理化学性质包括：能量、感度以及热稳定性等。4，4'，5，5'-四硝基-1H，1'H-［2，2'-二咪唑］-1，1'-二胺（DATNBI）是一种高密度（d：1.93）、高能量（D：9063 m·s-1）且感度（IS：15 J）较好的不敏感高能材料。中物院化材所研究人员首次发现了DATNBI 一种新晶型（β-DATNBI）。研究人员采用单晶X-射线衍射，变温粉末衍射，DSC-TG 及扫描电镜等方法研究了DATNBI 的相变行为。此外，还研究了溶剂以及温度对DATBI 相变的影响。

源自：Zhang，Z.，Qian，W.，Lu，H.，et al. Polymorphism in a Nonsensitive⁃High⁃Energy Material：Discovery of a New Polymorph and Crystal Structure of 4，4′，5，5′⁃Tetranitro⁃1H，1′H⁃［2，2′⁃biimidazole］⁃1，1′⁃diamine. Cryst. Growth Des. 2020，20，568-579.

南京理工大学研究人员制备出C4N182-，C4N18H3-和C4N18H3-高氮离子盐

加拿大麦吉尔大学研究人员采用机器学习方法进行含能材料筛选

过去10 年里，数据驱动，机器学习以及材料信息学对于材料研究越来越重要。加拿大麦吉尔大学研究人员采用材料信息学、热化学数据结合机器学习方法进行含能材料筛选。他们采用爆热值衡量含能材料的性能并进行筛选。在众多的描述符中，研究人员发现内聚能和氧平衡是关键的特征值。根据这些描述符和爆热值数据研究人员建立了机器学习模型。并将这一模型应用于ICSD 和PubChem 数据库中的化合物，预测它们的爆热值。通过此模型从1 亿4000 万化合物中筛选出2732 个含CHNO 的候选化合物。在此基础上又筛选出262 个爆热大于1.5 倍TNT 当量的化合物，29 个爆热大于1.8 倍TNT 当量的候选物，这些化合物均不是目前常见的含能材料。

源 自：Kang，P.，Liu，Z.，Abou⁃Rachid，H.，Guo H. Machine⁃learning Assisted Screening of Energetic Materials J. Phys. Chem. A 2020，124，5341-5351.

美国普渡大学研究人员采用无监督学习的多尺度模型研究RDX 的热化学