העיצוב של חומרים פולימרים מתקדמים עומד על צו קריטי שבו שיטות ניסיוניות מסורתיות וטרור אינן מספיקות עוד כדי לענות על הדרישות המאצות של תעשיות החל ממרחב לתקני ביו-רפואיים. גישות פיצוייות הבטיחו כבר זמן רב להאיץ את התהליך הזה, אבל עד לאחרונה הם כבר מאומנים על ידי העלות החישובית העצומה של סימולציות אטום או הדיוק המוגבל של מודלים קומפוארים (השילוב מולקולרי) עם תכונות מתמטיות בלבד (החלות) וחיזוי) רק עם תכונות מתמטיות (כלומר, רק עם שיפור מולקולריות) הוא רק עם תכונות מתמטיות).

ארכיון תגיות: Molecular Dynamics and Machine Learning

סימולציות מולקולריות: אטומי-Scale Insights, Macroscopic Costs

דינמיקת מולקולרית היא טכניקה חישובית המדמיינת את האבולוציה של אטומים ומולקולות על ידי פתרון משוואות של ניוטון של תנועה.עבור מערכות פולימרים, MD מספק גישה לתומים מבניים, דינמיקה שרשרת, טמפרטורות מעבר זכוכית, תגובה מכנית תחת לחץ, ותופעות תחבורה - כל אלה ברמה של פחמן דו-חמצני או coarse-gated. סימולציה טיפוסית של פולימרומים של פחמן עם כמה אלפי ימים יקר עבור חומרים מערכיים אחרים, הדורשים של חומרים מטבוליים, אשר דורשים רמות מטבוליים של חומרים מטבוליים של חומרים מטבוליים רבים, אשר דורשות גבוהה.

הדיוק של MD תלוי באופן ביקורתי על הפוטנציאל הבין-אטומי הבסיסי, או שדה הכוח. שדות כוח קלאסיים כמו OPLS, CHARMM, או PCFF הם פרמטרים עבור כיתות רחבות של מולקולות אורגניות, אך לעתים קרובות חסר את הנאמנות הנדרשת עבור כימאים ספציפיים. Ab initio MD (AIMD) באמצעות תאוריה פונקציונלית פותרת זאת על ידי כוחות מחשוב על זבוב, אבל עלות גבוהה בערך 10,000 פעמים, להגביל את רמות גבוהות יותר של פולימרים אלה לנפח דיוק של כמה מאות שניות (co-ידי רמות מסחר).

Machine Learning: From Data to Predictions

למידת מכונות, במיוחד למידה עמוקה, מציעה דרך לבנות מודלים פונדקאית כי מבנה פולימרים והרכב לגורמי מטרה ללא סימולטור מפורש כל אטום בכל שלב.במדע חומרים, משימות ML נפוצות כוללות רגרסציה (ההנחה של שיטות של יאנג, מוליכות תרמית), סיווג (זההדמית פולימרים פוטואקטיביים), ומודלים חדשניים (סימולציות מונומרוניות מתקדמות) כגון רשתות צהובות של תיבות של רשתות אופטיות) של רשתות אופטיות (Gicicolicial) עם תכונות אופטיות) של אופטיות (GateSD) באופן טבעי (GateSD) ותכונות אופטיות) של אופטיות) של אופטיממות (Gatephicial של אופטיות) עם תכונות אופטיות) עם תכונות אופטיות של אופטיממות (סימולאקטיביות) ומודלים) ומודלים (סימולאקטיביות) של אופטיממות של אופטיממות אופטיות (סימולאקטיביות של אופטיממות של אופטיות) עם תכונות אופטיממות (סימולאקטיביות) עם תכונות אופטיממות אופטיממות אופטיות אופטיות של אופטיממות אופטיות (סימולאקטיביות) של רשתות אופטיות) ומודלים אופטיממות של רשתות אופטימטורדיבות) באופן טבעי (סימולאקטיביות

הפוטנציאל הטרנספורמציי של ML טמונה ביכולתו ללמוד מכמויות גדולות של נתונים מהונדסים MD-generated. על ידי אימון על מיליוני תצורה אטומית וכוחות הקשורים אליהם, מודל ML יכול למעשה לשחזר את הדיוק של DFT או שדות כוח באיכות גבוהה בשבריר זעירה של העלות החישובית. מושג זה - יצירת מכונה למידה בין פוטנציאלים (MLs) - הפך אחד של הגבולות הפעילים ביותר בחומרים חישוביים.

שילוב סינרגיסטי של ML וMD

Machine Learning Interatomic potentials (MLIPs)

MLIPs להחליף חישובים מכניים קלאסיים או קוונטיים עם רשת עצבית או מודל מבוסס גרעין אשר לומד את פני האנרגיה הפוטנציאלית ישירות מהנתונים ההתייחסות.אדריכלות כגון רשתות עצביות Behler-Parrinello, DeepMD, ושוויוני של רשתות חסימת הודעות (למשל, NequIP, MACE) הראו דיוק כמעט-DFT עבור מערכות גדולות כמו כמה מאות אטומים מעל פני זמן, חומרים פולימרים, עבור מערכות בינה מלאכותית, חומרים מאומנים, חומרים ממערכות AI.

מחקר חלוצה של DeepMind ומשתפי פעולה הראו כי פוטנציאל מבוסס GNN יכול לחזות במדויק את הכוחות המתפתחים של רשתות פוליאתילן תחת לחץ, התאמה לתוצאות ספקטרום יחיד-מולקולי של כוח יחיד-המולקולי, לאחרונה, MLIPs מותאם אישית פותחו עבור PToxy resins, פולימרים, ו conjugated פולימרים, השגת שגיאות מתחת 1V / mcrettos גישה אישית בתנאי בדיקה מהירה יותר מאשר מנגנונים חד-חמצני.

מודלים של MD Data

מעבר לבניית פוטנציאלים, מודלים של ML יכולים לפעול כפונדקאים עבור צינורות סימולציה MD שלמים.לדוגמה, רשת עצבית עמוקה יכולה להיות מאומנת על תחילת נתונים של מסלולים MD כדי לחזות את טמפרטורת המעבר של הזכוכית (Tg) של copolymer אקראי בהתחשב ההרכב שלה ואת משקל מולקולרי.מודלים כאלה יכולים למסך מאות יצירות של מועמדים בתוך 10,000 דקות, בעוד פועל MD עבור כל שבועיים, כלומר מודל ניסיוני של סימולציה של 3 סימולציה של תחליפית של סימולציה של סימולציה של סימולציה של סימולציה של הסתברותית רק 3KervDEKervDEK.

מודלים כירורגיים הוא חזק במיוחד כאשר בשילוב עם הנדסה תיאורית. על ידי שילוב של רשתות פולימרים באמצעות פרופילים dihedral torsion שלהם, אורך התמדה, או הפצת נפח חינם, החוקרים יכולים לבנות מודלים מפרשים כי לחשוף אילו תכונות מולקולריות המשפיעות ביותר תכונות מטרה חזק יותר. תובנה זו אז מדריכים עיצוב רציונלי: לדוגמה, זיהוי כי הגדלת עמוד השדרה היא היעיל ביותר עבור טט, או כי שליטה חוזקות זעירה.

Active Learning and Bayesian Optimization

השילוב של ML לתוך הלולאה עיצוב MD לעתים קרובות מעסיק למידה פעילה לדגימות באופן רציונאלי תוך צמצום מספר הסימולציות היקרות.אלגוריתם למידה פעיל מזהה את המועמדים פולימרים לא בטוחים או מבטיחים, פועל MD על אלה, מוסיף את התוצאות למערך האימונים, ושיקום - ללא התערבות אנושית. גישה זו סגורה שימשה לעצב-memorys עם מטרות התאוששות ואופטימיזציה לסוללות אלקטרו-אמפיביות על ידי סימולציה המבוססת על ידי סימולציה אוטומטית.

אופטימיזציה Bayesian מרחיבה את הרעיון הזה על ידי מודל מפורש של הפונקציה האובייקטיבית (למשל, מוליכות איקומית) ואי הוודאות שלה באמצעות תהליכים גאוסיאניים.האלגוריתם מציע את ההרכב הפולימרים הבא כדי לדמות, איזון חקר אזורים לא ידועים עם ניצול של אזורי ביצועים ידועים.בעבודה האחרונה, אופטימיזציה בייסי בשילוב עם MD מוטבע coarse גילה ארכיטקטורה חדשה בלוקפובית כי הכפילה אלקטרו-אופטיקה של הסתברותית, בעוד שתמשיך לפתח אפקטיביות מעבדה מכנית, אשר לקח כדי לשמור על ידי מעבדה.

יישומים בעיצוב חומרי פולימר

תכונות מכניות: חיזוי כוח ואומץ

חיזוי ההתנהגות המכנית של פולימרים - מודלים מורכבים של יאנג, מתח תשואה, כוח רבילי האולטימטיבי, ונוקשות - הסתמך באופן מסורתי על קורלציות אמפיריות או מודלים מורכבים בקנה מידה גדול. ML-enhanced MD עכשיו מציעה נתיב ישיר.על ידי הדמיה בלחץ קבוע על רמת ה-ML עבור קבוצה של פולימרים, אחד יכול רכבת כדי לנבא מודל של תוקפנות מלאה של תרופות נוגדות (R) לאחר מכן, לאחר מכן, עם שיפור דרמטי של תרופות נוגדות של סימולציה של סימולציה מרחוק, לאחר מכן, לאחר מכן, ו-ידי ניתוח מכניקה של תרופות נוגדות של סימולציה של סימולציה של סימולציה בינונית (Ric).

עבור פולימרים סמיקליאליים כגון פוליאתילן ופוליפרופילן, הממשק בין lamellae גבישי ואזורים amorphous קובע ביצועים מכניים.מודלים של ML על נתונים MD של עיוות חד-קריסטל יחיד שימשו כדי לפרמטר מודלים חישוביים מתקדמים של חלקי הזרקת שומן, המאפשר בדיקות וירטואליות של השפעה ועייפות אלה הם כעת לפרוסת מודלים פיזיים כדי להפחית את מחזורי רכב.

תכונות: Thermal and Transport Properties

מוליכות תרמית בפולימרים היא נמוכה לשמצה, אבל עיצוב זהיר של אינטגרציה שרשרת ופיזור מלא יכול לשפר את זה. סימולציות MD עם MLIPs יכול בדיוק לחשב את צפיפות הפוני של מדינות ומשמעות נתיבים חופשיים, אשר אז להאכיל לתוך מודלים ML כדי לחזות מוליכות תרמית כמו פונקציה של משקל מולקולרי, אוריינטציה, סוג של ננופלר.

(Ionic מוליכות בפולימרים לסוללות מוצקות של המדינה היא אזור אחר שבו אינטגרציה ML-MD היא התקדמות מאיצה.הההה של ion ליתיום תלויה רגישה בדינמיקה המקטעית של מארח פולימרים, שניתן לתפוס על ידי סימולציות MD. ML מודלים פותחו כי חזות מנבאת בתנאי הפולימטריה, טמפרטורה ממושכת, זכוכית ומספר התורם - מכל גישה אלקטרו-Firית זו מזוהההההה 10 טמפרטורות ארוכות יותר מ-Fericerts - 10 LT3 - 1Ferts - 1Fern3 - 1 .

Polymer Nanocomposites ו- Interfaces

הממשק בין פולימר וננו-חלקיק ממלא תפקיד מכריע בתכונות ננו-פוביות, אך קשה לאפיין באופן ידוע לשמצה את הממשק מבוסס MLIP MD יכול כעת לדמות את המודעות של רשתות פולימר על סיליקה, צינורות פחמן, או מסגרת אורגנית מתכת (MOF) חלקיקים עם דיוק inio. על ידי אימון רשת עצבית של אלפי תצורה, חזו את החיזוי המולקולות ישירות על פני השטח הפולינזיס ומדנואידים.

מעבר לחיזוק, אינטגרציה ML-MD שימשה לתכנון ציפוי פולימרים עם התנהגות רטובה מבוקרת ואנטי-פונקטיבית.לדוגמה, על ידי הדמיה של אינטראקציה של מים עם משטחים מוגזמים פולימרניים ושימוש ברשת עצבית גרפית כדי לחזות זוויות מגע, צוות ב-MIT זיהה משקעים ושרשראות אופטימליות עבור משטחים עצמיים.

פולימרים בעלי אחריות והגנתיות

תכנון פולימרים ביו-דגרד עם שיעורי השפלה מדויקים הוא קריטי עבור שתלים רפואיים ואריזות. סימולציות MD יכול לעקוב אחר מנגנונים ניקוי אג"ח הידרוליטי, אבל הם דורשים שדות כוח תגובתיים כי הם גם מדויקים וצומחים.כאן, פוטנציאלי ML מאומן על נתונים של ReaxFF הראו נאמנות גבוהה, המאפשרים לחוקרים לדמות את ההידרדרות של פוליסטרים ופולינזילים ביולוגיים על פני זמן רלוונטי של תפקוד פוליפרציה של טיפול תרופתית של מחזור חיים של שישה חודשים.

Stimuli-responsive או "חכם" פולימרים שמשנים צורה, צבע או מוליכות בתגובה לטמפרטורה, pH, או אור הם עוד גבול. ML-MD אינטגרציה שימשה כדי לייעל את טמפרטורת הפתרון הקריטית התחתונה (LCST) של פולי(N-isopropylacrylamide) הידרוג'לידים על ידי בחינת יחסי קומנדר וחיבורידס A Bay.

אתגרים ומגבלות

מחסור בנתונים ואיכות

למרות ההבטחה שלה, MD ML-enhanced עומד בפני מכשולים משמעותיים.נתוני הכשרה באיכות גבוהה עבור MLIPs דורש חישובים DFT יקרים או בזהירות אימות פוטנציאלים קלאסיים.עבור פולימרים עם כימאים מורכבים, כגון פלואורופולמרים או sulfur- המכיל עמודות אחוריים, נתונים DFT עשויים להיות בקושי או בלתי עקביים על פני פונקציונליות שונות, תצורה של יתר על פני תצורה של חומרים אלה, אך היא דורשת בדיקות פולימרים פעילים יותר, אך ורק כדי למנוע חסכוניים, אך ורקמות, אך ורקמות מקיפים את העלולים להיות מעורבים יותר, אך ורקמות, אך ורק על פני מקיפים את העלולים להיות מעורבים יותר, אך ורקמות על פני מקיפים את העלולים להיות מעורבים יותר, אך ורקמותרפיים, אך ורק על פני תקינים, אך ורקמות, אך ורקמות, אך ורקמות, אך ורקמות, אך ורקמות, כדי למנוע מקיפים את המשתנים, מודלים יעילים יותר, אך ורקמות, אך ורק על פני מקיפים את העלולים להיות מעורבים יותר, אך ורקמות, אך ורק על פני מערכות מידע זה, אך ורק על פני מוטציות, כדי למנוע מקיפים את המשתנים, כדי למנוע מקיפים את העלולים להיות מעורבים

העברה ותוספת

מודלים של ML, במיוחד רשתות עצביות עמוקות, יכולים להופיע גרוע כאשר התבקשו לחזות תכונות עבור פולימרים השוכנים רחוק מחוץ להתפלגות האימונים שלהם.מודל מאומן על פוליסטרים ליניאריים עלול להיכשל רע עבור פוליסטרמידים מועשרים.לעבור למידה ואימונים רב-task הם תחומי מחקר פעילים שמטרתם לשפר את הכללה, אך אין פוטנציאל אוניברסלי לפולימרים עדיין.

עלויות של אימון

בעוד שנוגע לפוטנציאל ML הוא מהיר, אימון יכול להיות מאוד רגיש משאבים. Equivariant העברת רשתות עם שכבות רבות ומיליוני פרמטרים דורשים אשכולות GPU עם זיכרון גדול.אימון מודל יחיד יכול לקחת ימים עד שבועות, ו hyperparameter כוונון מכפיל את העלות. ההשקעה הראשונית היא רק בתנאי עבור בדיקות גבוה באמצעות ציוד, אבל עשוי להיות אוסר על קבוצות אקדמיות בודדים.

אפשרויות ודרכים לעתיד

שילוב עם ניסויים מתקדמים

הקפיצה הבאה תבוא מסגירה של לולאה בין תחזיות ML-MD לבין סינתזה ניסיונית גבוהה ואפיון. פלטפורמות סינתזה אוטומטיות יכול לייצר מאות וריאנטים פולימרים ליום, בעוד בדיקות אוטומטיות (rheology, Tenile, spectroscopy) מייצר נתונים עבור אימות ושיקום של מודלים ML-MD תחליפיים לתוך צינור זה יכול כבר להוכיח את הדוגמאות מבטיח עבור הפולימרודות מוקדם של הדוגמאות ל-הת של המעבדה.

AI עבור עיצוב פולימר

ביקורת נפוצה על ML במדעי החומרים היא טבע "קופסא שחורה" של תחזיות, אשר מעכב הבנה מדעית ואמון.הפיתוח של שיטות AI מוסברות - כגון הפרשנות מבוססת תשומת לב ב-GNNs, ערכי SHAP לחשיבות כוללת, או מאוחר ויזואליזציה של החלל - יאפשר לחוקרים לראות לא רק FLT:0 אשר FLT 1 מצופה ביצועים גבוהים, אלא גם עבור תכונות אלקטרו-סגולות, לדוגמה, אשר יכולות לספק תובנות חדשות על ידי MDole, אשר יכולות לספק תובנות גבוהות ביותר, לדוגמה, כגון: 1.

פלטפורמות שיתוף פעולה ו- Open Datasets

התקדמות בתחום זה תלויה בזמינות של נתונים גדולים, מחוסנים של סימולציות פולימרים הקשורים לנכסים ניסיוניים.מיזמים כגון פרויקט החומרים, NOMAD, ו-Pomer Assets ו- Database (PolyPred) מתחילים למלא את הפער הזה, אבל הם צריכים השתתפות קהילתית רחבה יותר. פורמטים סטנדרטיים נתונים, סימולציות קוד פתוח, ופלטפורמות אימון מבוססות ענן יהפוך את הגישה לדמויות מתמטיות יותר לשילוב מכניות.

מסקנה

השילוב של למידת מכונה עם דינמיקות מולקולרית הופך את עיצוב החומרי פולימרים מאמנות הסתמך על אינטואיציה וניסויים סידוריים לתוך סוללות מדע חיזוי המונע על ידי נתונים ואלגוריתמים.מ פוטנציאלים בין-אטומיים של ML שמביאים דיוק לאינטואי לדמיות של מיליון atom, למודלים חלופיים העוברים בחלל כימי במהירות דיגיטלית, כלים אלה מאפשרים עיצוב רציונלי של פולימרים עם תכונות מכניות, תרמיות, פונקציונליות, וגמישות, אך הם ממשיכים להשקיע היום, אך הם מודלים חישוביים, אך הם מספקים, אך הם מספקים, מודלים יעילים יותר, אך הם מספקים, אך ורקדבנים יעילים יותר, אך הם מספקים, אך הם מספקים, הם מספקים, אך ורקדניים, מודלים מהירים יותר, ציוד אסטרטגי, אך הם מספקים, אך הם מספקים, אך הם מספקים, מודלים מהירים יותר, ציוד אסטרטגי, ציוד אסטרטגי, ציוד אסטרטגי, ציוד, ציוד, ציוד, ומשתנים, ציוד אסטרטגי, ציוד, ומשתנים, ציוד, ציוד, אך כיום, ציוד, הם מספקים, ציוד אסטרטגי, ציוד אסטרטגי, ציוד, ציוד, ציוד, ציוד, אך הם מספקים כיום, ציוד, ציוד, ציוד, ציוד, ציוד, אשר מספק כיום, אשר מספק כיום, ציוד אסטרטגי, ציוד, אך יציב,