השימוש ב- Machine Learning Algorithms כדי לאשר את העיצוב של פולימרים בעלי ביצועים גבוהים

בשנים האחרונות, פולימרים בעלי ביצועים גבוהים הפכו הכרחיים בתעשיות הדורשות חומרים העומדים בפני תנאים קיצוניים, כגון אווירול, רכב, אלקטרוניקה ואנרגיה. פולימרים אלה מציעים כוח מכני יוצא דופן, יציבות תרמית, התנגדות כימית ועמידות. עם זאת, עיצוב פולימרים חדשים עם תכונות מותאמות נשאר אתגר עצום של ניסויים בטרור הם איטיים ויקרים, לעתים קרובות דורש שנים של סינתולוגיה ובדיקה של חומרים כימיים (מדומים) כמו תכנון רב עוצמה, כמו גם חומרים חזקים, כמו תכנון רב עוצמה, כמו פיתוח נתונים, כלומר, מודלים חזקים, מודלים של חומרים מסוכנים, כמו תכנון, מודלים של חומרים כימיים, כלומר, מודלים של חומרים מעיצוב, מודלים של חומרים ממעבדות, כמו תכנון, כמו תכנון, מודלים של חומרים כימיים, מודלים בעלי השפעה גבוהה, מודלים של חומרים מסוכנים, מודלים של חומרים מעיצוב, כמו תכנון, כמו תכנון, מודלים אינטנסיביים, מודלים של חומרים מסוכנים, מודלים של חומרים מסוכנים, כמו פיתוח, מודלים של חומרים ממעבדה, מודלים עתירה, עם השפעה, עם השפעה, כמו פיתוח, מודלים של חומרים מסוכנים, מודלים של חומרים מסוכנים, כמו פיתוח, כמו פיתוח, כמו פיתוח, כמו פיתוח, כמו פיתוח, מודלים של חומרים ממריצים, כמו פיתוח נתונים, אלגוריתמים, כמו פיתוח נתונים,

עיצוב פולימר גבוה

פולימרים בעלי ביצועים גבוהים מונדסים כדי לשמור על שלמות מבנית תחת טמפרטורות גבוהות, סביבות קורוזיות, או מתח מכני.דוגמאות כוללות משפחות פולימיסטים (למשל, קפיטטון), פוליתר Ether ketone (PEEK), פוליסולונים, ופולימרים נוזליים יכולים לעתים קרובות להיות מעורבים במערכות יחסים מורכבות בין מבנה, עיבוד, ונכסים מסורתיים של עיצוב הוא עצום: רצף של שינויים מגנטיים, כמו עצירות אטמיים, או טמפרטורה נמוכה יותר, או ירידה במשקל באופן דרמטי, או קבוע, או רצף אוטומטי, שינויים מולקולרית (אפקטיביים).

כיצד Machine Learning Accelerates Polymer Discovery

טכניקות למידת מכונות להצטיין בזיהוי תבניות בנתונים גדולים וחיזויים המבוססים על דפוסים אלה.במדע פולימרים, מודלים ML ניתן לאמן על מסדי נתונים כי קטלוג אלפי מבנים פולימרים לצד התכונות המדוייקות שלהם (למשל, תרמי, מכני, חשמל), לאחר אימון, מודלים אלה יכולים להעריך במהירות את הפולימרים היפותטיים חדשים, מתן תחזיות נכסים בתוך שניות ולא שבועות.

למידה על נכסים

היישום הנפוץ ביותר הוא regression או סיווג, שבו המודל לומד למפות תכונות (למשל, טביעות אצבע מולקולרית, מונומר descriptors, פרמטרים עיבוד) כדי לכוון נכסים.לדוגמה, יער אקראי או מודל עץ מודבק ⁇ יכול לחזות Tg עם דיוק של ± ° C באמצעות רק 500-1000 נקודות הכשרה מתקדמות יותר כמו גרף עצבי (N) של לכידת חומרים כימיים ותכונות מכניות.

צעדים מרכזיים ב- Supervised ML Workflow

• (FLT:0) איסוף נתונים (איור 1): קביעת נתונים איכותיים מן הספרות, מסדי נתונים (למשל, חיזוי נכסים פולימר, NIST), או משתפי פעולה ניסיוניים.
• (FLT:0) Feature GenerationFLT:1: קלקולת פקודות עבור כל מבנה פולימר.פתוח קוד כלים כמו RDKit או mordred יכול ליצור אלפי תכונות.
• (FLT:0)Model Selection and TrainingFLT:1: אלגוריתמים כגון XGBoost, תמיכה בהתנגדות ורשתות עצביות.
• (ב) ,0) ,EvaluationFLT:1: Metrics כמו R2, פירוש טעות מוחלטת (MAE), ושגיאה שורש-mean-square (RMSE) להעריך את הביצועים.
• (ב) ,0) אישור והקרנה של ה-FLT:1: שימוש במודל המאומנים כדי להשיג אלפי מועמדים וירטואליים מהספרייה הניו יורקית.

מודלים ליצירת מוצרים עבור עיצוב פולימר

בעוד מודלים בפיקוח לחזות נכסים, מודלים ניוניים (למשל, autoencoders, רשתות ניווניות ניווניות, או רשתות עצביות חוזרות) יכולים ליצור מבנים פולימרים חדשים לחלוטין.על ידי למידה ההפצה הסטטיסטית של פולימרים ידועים, מודל ניוון יכול להציע מונומרים חדשים או רצפים copolymer כי הם כנראה להיות סינתזנטיים ורכוש נכסים משולבים עם חיזוי, צורות פעולה סגורה זה, עיצוב, עיצובית, הוא מסוגל ליצור תכונות חדשות, עיצובית, עיצובית, עיצובית, הוא מסוגל לבצע תכונות מתקדמות יותר, עיצובית, עיצובית, עיצובית, עיצובית, ושחקנים חדשים, עיצובית, עיצובית, הוא מסוגל ליצור תכונות מתקדמות.

אופטימיזציה Multi-Objective

יישומים אמיתיים דורשים פולימר לספק מספר, לפעמים סותר, קריטריונים - למשל, כוח גבוה גמישות גבוהה, או אובדן דיאלקטרי נמוך ויציבות תרמית גבוהה. אופטימיזציה בייסיאנית ואלגוריתמים אבולוציוניים יכולים לנווט את המרחב הזה ביעילות.הם מאזן חיפוש (המבחן של אזורים לא ידועים) וניצול (התמקד באזורים מבטיחים) כדי לתכנס על פתרונות Pareto-optimal, למשל, חוקרים ב-Falcontivrephivedation: 0im סטנדרטיים עם חומרים סטנדרטיים עם חומרים סטנדרטיים עם חומרים סטנדרטיים עם חומרים סטנדרטיים עם חומרים חד-Fal סטנדרטיים עם חומרים סטנדרטיים עם חומרים עם חומרים חד-Fal-FLTim).

היתרונות של Machine Learning במחקר Polymer

• (ב) ,0) מהירות: סקר מיליוני מועמדים וירטואליים בשעות במקום שנים.
• (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• [[1924]]]]]] [[1924]]]]]]]]]] [[1924]]]]]]]]]]]] [[1924]]]]]]]]
• (FLT:0) תובנות של אינפיניטי-Driven InsightsFLT:1: מודלים של ML יכולים לחשוף אילו תכונות מולקולריות משפיעות ביותר על הביצועים, להנחות הבנה בסיסית.
• (FLT:0) אינטגרציה עם אוטומציהFLT:1: Pairing ML עם ניסיון רב-מנועי (למשל, סינתזה רובוטית) יוצרת מעבדה אוטונומית לתגליות מואצות.

אתגרים ומגבלות

(למרות הבטחתו, החלת ML לתעשיית הפולימרים ניצבת בפני מספר רבדים (FLT:0 Data scarcityFLT:1) היא הנתונים הקריטיים ביותר: נתונים איכותיים ועקביים של פולימרים מוגבלים.ערכים רבים מדווחים שמקורם בתקני מדידה שונים (FLT) אינם ניתנים להגדרה של מודל (Dropicials) או LT) של תכונות אחרות.

תוצאות חיפוש ויישומים אמיתיים

חללי-Grade Polyimides

צוות באוניברסיטת קליפורניה השתמש בתהליך גאוסיאני של נסיגה למסך 500,000 פולימרים היפותטי ליציבות של טמפרטורות גבוהות ומקדם נמוך של התרחבות תרמית.מ-50 המועמדים המובילים, הם מסונתזים שלושה התחזיות התואמים, שאחד מהם הציג Tg מעל 450 מעלות צלזיוס - מאמת את עבודת ה-Cpton המדידה, שפורסם ב-LTF:0ACSmoirsmocules כדי להפגין גבולות של 1 למקדמים את יכולת ה-C.

דיאלקטרי פולימרים עבור Capacitors

IBM Research השתמש ב autoencoder וריאציות בשילוב עם צופה נכסים לעצב דיאלקטריות פולימריות חדשות עבור קפיצי אנרגיה גבוהה-אנרגיה-density capacitors.מודל הניו-רנרטיבי הפיק 10 מבני מועמד; לאחר סינתזה ובדיקה, אחד השיג קבוע דיאלקטרי 3 × גבוה יותר מאשר מסחרי biaxially bialy biaapropylenelene (BP), תוך שמירה על אובדן נמוך.

שם המחבר: Shape-Memory Polymers

למידת מכונות גם האיצה את התגלית של פולימרים בצורת-זיכרון (SMPs) למכשירים ביו-רפואיים.על ידי אימון על תחילת נתונים של יצירות פוליאורתטן וטמפרטורות ההתאוששות בצורתן, מודל יער אקראי חזה SMPs חדשים עם טמפרטורות מעבר טוטלי.הצוות אישר את חמשת התחזיות המובילות, אשר כולן הציגו > 90% שחזור, אימות המהימנות של המודל.

כיוונים עתידיים

(ב) כמה התפתחויות מבטיחות לשלב ML נוסף בעיצוב פולימרי.FLT:0) למידה עם ייצוגים תלת-ממדיים של סימולציות: (למשל, קואורדינטים אטומיים מדינמיקה מולקולרית) יכולה ללכוד מורפיולוגיות בינוניות (FLT:2Active Learning LusFLT) להורדת נתונים הסתברות גבוהה יותר (RValdialdialdialdialdialdialdialdialdation) ל-D) של LT5 (REC) ל-D) אשר עשויה לשפר את מספר סימולציה של שיטות למידה של LTFLT5 (REC) ל-CLT5 (R.

ככל שהנפח של נתונים פולימרים גדל ואלגוריתמים מתבגרים, למידת מכונה תהפוך לכלי סטנדרטי ברפרטואר של כל מדען פולימרי.זה לא תחליף עבודה ניסיונית אבל יעשה את זה הרבה יותר יעיל, מה שיאפשר את ההתפתחות המהירה של חומרים שעומדים בצרכים התובעניים של טכנולוגיות הדור הבא - מאלקטרוניקה גמישה ואווירה קלה מסובבים לחדירה גבוהה של קצבה ושתלים ביולוגיים.