در سال های اخیر، پلیمرهای با عملکرد بالا در صنایعی که نیاز به مواد شدید دارند، مانند هوافضا، خودرو، الکترونیک و انرژی، ضروری شده اند.این پلیمرها قدرت مکانیکی استثنایی، ثبات حرارتی، مقاومت شیمیایی و دوام را ارائه می دهند، با این حال، طراحی پلیمر های جدید با خواص طراحی شده همچنان یک چالش قدرتمند است.

پیچیدگی طراحی پلیمر با کیفیت بالا

پلیمرهای با عملکرد بالا برای حفظ یکپارچگی ساختاری تحت دمای بالا، محیط های فاسد، یا استرس مکانیکی مهندسی شده اند. نمونه ها شامل پلیمید (به عنوان مثال، Kapton)، پلیether katne (PEEK)، پلی سولفات الکتریکی و انواع پلیمری های جامد بستگی به روابط پیچیده بین ساختار مولکولی، شرایط پردازش و خواص نتیجه شیشه ای دارد - اغلب می تواند به طور چشمگیری کاهش یابد و یا تغییر دما مولکولی.

چگونه یادگیری ماشین باعث کشف پلیمر می شود

تکنیک های یادگیری ماشین در شناسایی الگوهای داده های بزرگ و پیش بینی بر اساس آن الگوها برتری دارند.در علم پلیمر، مدل های ML می توانند بر روی پایگاه های داده آموزش ببینند که هزاران ساختار پلیمری را در کنار خواص اندازه گیری شده خود فهرست می کنند (به عنوان مثال، حرارتی، مکانیکی، الکتریکی) هنگامی که آموزش دیده شود، این مدل ها می توانند به سرعت پلیمرهای فرضی جدید را ارزیابی کنند، پیش بینی های اموال را در عرض چند هفته به جای این تغییر از تلاش های تجربی برای نظارت بر توسعه، به طور چشمگیری بر روی کاهش تمرکز بر روی بهینه، به محققان اجازه می دهد.

آموزش عالی برای پیش بینی مالکیت

رایج ترین کاربرد، رگرسیون یا طبقه بندی نظارت می شود، جایی که مدل یاد می گیرد تا ویژگی های نقشه را (به عنوان مثال، اثر انگشت مولکولی، توصیف کننده های مونومر، پارامترهای پردازش) برای هدف قرار دادن خواص، به عنوان مثال، یک جنگل تصادفی یا مدل درخت اکسید کننده می تواند پیش بینی های ±15 ° C با استفاده از 500-1000 نقطه آموزش پیشرفته تر از ساختار عصبی (NNG) را به عنوان نمونه های شیمیایی و روش های استاندارد سازی مولکولی محلی به دست آورد.

گام های کلیدی در Supervised ML Workflow

  • جمع آوری داده : ثبت یک مجموعه داده با کیفیت بالا از ادبیات، پایگاه های داده (به عنوان مثال، پیش بینی کننده مالکیت پلیمر، NIST)، یا همکاران تجربی.
  • نسل باروری : محاسبه توصیف کننده برای هر ساختار پلیمر.
  • انتخاب و آموزش مدل ؛ ارزیابی الگوریتم هایی مانند XGBoost، پشتیبانی از رگرسیون بردار یا شبکه های عصبی.
  • ارزیابی : متریک هایی مانند R2، به معنای خطای مطلق (MAE) و خطای مربع ریشه (RMSE) عملکرد را ارزیابی می کنند.
  • پیش بینی و غربالگری [FLT 1]: استفاده از مدل آموزش دیده برای به دست آوردن هزاران نفر از نامزدهای مجازی از یک کتابخانه عمومی.

مدل های مولد برای طراحی پلیمر نو

در حالی که مدل های نظارت شده خواص، مدل های عمومی (به عنوان مثال، autoencoders متنوع، شبکه های عمومی مجاور، یا شبکه های عصبی مکرر) می توانند ساختارهای پلیمری کاملا جدید ایجاد کنند، با یادگیری توزیع آماری پلیمرهای شناخته شده، یک مدل الکتریکی می تواند مونومرهای جدید یا توالی های ترکیبی را پیشنهاد دهد که احتمالاً synthes بزرگ و خواص تست پلیمر را با استفاده از این روش های برشی جدید، طراحی پارچه ای را بهبود بخشد:

بهینه سازی Multi-Ob صفت Optimization

برنامه های دنیای واقعی اغلب نیاز به پلیمر برای ارضاء چندگانه، گاهی اوقات متناقض، معیارها (به عنوان مثال، قدرت بالا و انعطاف پذیری بالا، یا کاهش کم برق و ثبات حرارتی بالا دارند. zi بیزی بهینه سازی و الگوریتم های تکاملی می توانند این تعادل فضای معامله ای را به طور موثر بررسی کنند (آزمایش مناطق ناشناخته) و بهره برداری (بر روی مناطق امیدوار کننده) برای هم آمی گیری در راه حل های ثابت و هم زمان استفاده از مواد ثابت استفاده می کنند.

مزایای یادگیری ماشین در تحقیقات پلیمر

  • Speed : غربالگری میلیون ها نفر از نامزدهای مجازی در ساعت به جای سال.
  • کاهش هزینه ؛ مینیمال کردن سمپوزیوم گران و خطرناک آزمایشگاهی.
  • فضای شیمیایی پیشرفته [FLT 1]: بررسی مونومرها و توپولوژی هایی که در ادبیات سنتی یافت نمی شود.
  • ] بینش داده-Driven [FLT: مدل های ML می توانند نشان دهند که کدام ویژگی های مولکولی به شدت بر عملکرد تأثیر می گذارند، هدایت درک بنیادی.
  • Integration با اتوماسیون: جفت ML با آزمایش های با خروجی بالا (به عنوان مثال، سنتز رباتیک) یک آزمایشگاه خود را برای کشف سریع ایجاد می کند.

چالش ها و محدودیت ها

علی رغم وعده های آن، استفاده از ML به طراحی پلیمر با موانع متعددی مواجه است. مدل کمبود داده مهم ترین است: داده های با کیفیت بالا، سازگار با خواص پلیمری اغلب محدود است (نسخه پشتیبان) برخی از مقادیر گزارش شده از منابع مختلف با استفاده از استانداردهای مختلف واکنش اندازه گیری.

مطالعات موردی و برنامه های کاربردی واقعی جهانی

نام انگلیسی : Aerospace-Grade Polyimides

یک تیم در دانشگاه کالیفرنیا از روند Gaussian به صفحه نمایش ۵۰۰۰۰۰ فرض چندیمید برای ثبات دمای بالا و ضریب پایین گسترش حرارتی استفاده کردند.از ۵۰ کاندیدای برتر، آنها سه پیش بینی را با هم ترکیب کردند که یکی از آنها Tg بالای ۴۵۰ درجه سانتیگراد را نشان داد - حمایت از مواد معیار Kapton این کار، منتشر شده در (FLT0: توانایی فشار ماکرو1 را به عملکرد MLLT1 نشان می دهد.

پلیمر های دی الکتریک برای خازن ها

IBM Research از یک autoencoder متنوع همراه با پیش بینی کننده ملک برای طراحی دی الکتریک های جدید برای خازن های با انرژی بالا استفاده کرد، مدل عمومی ۱۰ سازه کاندیدا تولید کرد؛ پس از سنتز و آزمایش، یک دی الکتریک ثابت ۳× بالاتر از پلی پروپیلن تجاری (BOPP)، در حالی که حفظ این رویکرد کاهش یافته است، به طور چشمگیری از ماه های اعتبار سنجی، به دست آورد.

پلیمر های خیالی

یادگیری ماشین همچنین کشف پلیمرهای شکل (SMPs) برای دستگاه های زیست پزشکی را تسریع کرده است.با آموزش مجموعه ای از ترکیبات پلی تکنیک و دمای بهبود شکل آنها، یک مدل جنگل تصادفی پیش بینی SMP های جدید با دمای انتقال تنبل. تیم پنج پیش بینی برتر را تأیید کرد که همه آنها نشان داده شده است " -90٪ بهبود شکل، تایید قابلیت اطمینان مدل است.

مسیر های آینده

چندین پیشرفت قول می دهد که ML را به طراحی پلیمر اضافه کند (FLT:0) یادگیری با 3D (FLT:1) (به عنوان مثال، مختصات اتمی از دینامیک مولکولی) می تواند به اشتراک گذاری سیستم های عصبی مقیاسی (FLT:2) کمک کند. [F3]

از آنجایی که حجم داده های پلیمری رشد می کند و الگوریتم ها بالغ می شوند، یادگیری ماشین به یک ابزار استاندارد در هر مجموعه مهندسی کننده ی دانشمند پلیمر تبدیل می شود، جایگزین کار تجربی نخواهد شد، اما آن را بسیار کارآمد تر خواهد کرد، و توسعه سریع مواد را که نیازهای لازم را از تکنولوژی نسل بعدی برآورده می کنند - از وسایل الکترونیکی انعطاف پذیر و کامپوزیت تا غشای های با درجه حرارت بالا و ایمپلنت های زیست شناختی.