近年、航空宇宙、自動車、エレクトロニクス、エネルギーなどの極端な条件に耐える材料を必要とする業界には、高性能ポリマーが不可欠となっています。これらのポリマーは、卓越した機械的強度、熱安定性、耐薬品性、耐久性を提供します。しかし、カスタマイズされた特性を持つ新しいポリマーを設計することは、妥協のない挑戦を残します。従来の試験とエラー方法は、しばしば合成と試験の年を必要とします。機械学習(ML)は、強力な加速器として新興され、多量的な特性を予測することを可能にします。この特性は、多量的な特性を予測する、多量的な特性を予測する、多量的な特性を予測する、性能を予測する能力を予測します。

高パフォーマンスポリマー設計の複雑性

高性能の降伏ポリマーは高温、腐食性環境、または機械的ストレスの下で構造の整合性を維持するために設計されます。例には、ポリイミド(例えば、カプトン)、ポリエーテルケトン(PEEK)、ポリスルホン、および液晶ポリマーが含まれます。その性能は、分子構造、加工条件、および結果特性間の複雑な関係に依存します。設計スペースは巨大です:モノマー、コポリマーシーケンス、機能的資源、および変形性物質の変形、および変形性、および変形性物質的特性を変化させることができる、および変形性物質的特性を変化させることができる。

マシンラーニングがポリマーディスカバリーを加速する方法

マシン学習技術は、これらのパターンに基づいて、大きなデータセットと予測を作成するパターンを識別し、加速することができます。ポリマーサイエンスでは、MLモデルは、測定された特性(例えば、熱、機械的、電気的)と一緒に何千ものポリマー構造をカタログするデータベースで訓練することができます。訓練されたら、これらのモデルは急速に新しい仮説ポリマーを評価することができ、数週間ではなく、プロパティ予測を提供します。この回帰的反復から計算スクリーニングまでのシフトは、研究者が最も有利な開発を集中することができます。

プロパティ予測のための超検討学習

最も一般的なアプリケーションは、モデルが特徴をマップするために学習する監督回帰または分類です(例えば、分子指紋、単体記述子、処理パラメータ) ターゲット特性。例えば、ランダムな森や勾配の植木モデルは、500〜1000のトレーニングポイントを使用して±15 °Cの精度でTgを予測することができます。グラフニューラルネットワーク(GNN)のようなより高度なアーキテクチャは、原子と化学結合のグラフとしてポリマーを扱い、このベクトルは、分子構造と分子構造を予測します。

監督されたMLワークフローのキーステップ

  • データ収集]:文献、データベース(例、ポリマープロパティ予測者、NIST)、または実験的共同作業者から高品質のデータセットをキュレーションする。
  • 機能生成:各ポリマー構造の記述子を計算する。RDKitやモルドなどのオープンソースツールは、数千の機能を生成することができます。
  • モデル選定とトレーニング]:XGBoost、サポートベクター回帰、またはニューラルネットワークなどのアルゴリズムの評価。 断続化により、一般化が保証されます。
  • []評価]:R2のようなメトリック、絶対的なエラー(MAE)、およびroot-mean-squareエラー(RMSE)は、パフォーマンスを評価します。
  • [予測とスクリーニング[]]:訓練されたモデルを使用して、遺伝子ライブラリから何千もの仮想候補をスコアする。

ノベルポリマー設計のジェネレーションモデル

監督モデルがプロパティを予測する一方で、遺伝子型モデル(例、バリエーションオートエンコーダ、ジェネレーションアバーサリカルネットワーク、または再発ニューラルネットワーク)は、まったく新しいポリマー構造を作成することができます。既知のポリマーの統計分布を学ぶことで、遺伝子型モデルは、合成可能であり、目的のプロパティを持つ可能性がある新しいモノマーやコポリマーシーケンスを提案することができます。プロパティ予測と組み合わせることで、このフォームはクローズドループットループット型サイクル設計候補を構成します。このモデルは、ポリマーの動作を検証し、ポリマーやポリマーの動作を生成し、ポリマーを生成し、新しい特性を生成し、目的特性を生成し、テストします。

多目的最適化

リアルワールドアプリケーションは、多重で、時々競合する、基準を満たすようにポリマーを要求します。例えば、高強度と高柔軟性、または低誘電損失と高熱安定性。ベイジアン最適化と進化アルゴリズムは、この取引オフスペースを効率的に移動することができます。彼らは、探査(未知の領域のテスト)と悪用(有望な領域に焦点を当てる)をバランス調整し、パルト・オプタルソリューションを連結します。例えば、研究者を組み合わせて、多量的レベルの材料を同時に実現]と多量的構造化し、多重力化(有望な)を同時に実現する)。

ポリマー研究における機械学習の利点

  • スピード:数百万の仮想候補を数年ではなく時間でスクリーニングする。
  • コストと有害ラボの合成を最小化するコストダウン:コストダウンと有害ラボの合成物。
  • 化学空間の拡張:従来の文献に見つからないモノマーやトポロジーの探索。
  • データ駆動のインサイト[:MLモデルは、最も強力な影響力性能、基本的な理解を指導する分子が特徴であるかを明らかにすることができます。
  • :オートメーションとの統合]:高スループット実験(例えば、ロボット合成)でMLをペアリングすると、加速された発見のための自己運転研究室が作成されます。

課題と限界

約束にもかかわらず、MLをポリマー設計に適用すると、いくつかのハードルに直面しています。 []]データ希少性]は最も重要です。 高品質、ポリマーに対する一貫したプロパティデータが限られています。 報告された値は、異なる測定基準を使用して、分離されたソースから来ています。 特長は、欠陥を残します。 現在の分子指紋は、長期にわたる相互作用をキャプチャしたり、または別の測定基準を解除したりすることができません。 [FLT:] または別のモデルが、他のモデルに欠陥があると判断します。 [FLT] [FLT:] または、または、または別のモデルが、または、または、他のモデルが、または、または、または、または別のモデルが、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、

ケーススタディと現実世界のアプリケーション

航空宇宙グレードのポリイミド

カリフォルニア大学のチームは、高温安定性と熱膨張係数の500,000の仮説ポリイミドをスクリーニングするために、ガウスのプロセス回帰を使用しました。トップ50の候補から、彼らは予測に一致した3を合成しました。そのうちの1つは、ベンチマーク材料カプトンを迂回する、450 °Cを超えるTgを展示しました。この作業は、]で発表された[ACSマクロモルキュレス、パフォーマンスをプッシュする能力を実証します。

コンデンサ用誘電体ポリマー

IBM Research は、高エネルギー密度コンデンサ用の新しいポリマー誘電体を設計するために、プロパティ予測器と組み合わせたバリエーションオートエンコーダを使用しました。 ジェネレーションモデルは 10 の候補構造を生成しました。 合成とテストの後、 1 つは、低損失を維持しながら、商用二軸方向ポリプロピレン (BOPP) よりも誘電率 3× より高い達成しました。 このアプローチは、アイデアから検証までの期間を劇的に減らしました。

形状記憶ポリマー

マシンラーニングは、バイオメディカルデバイス向けの形状記憶ポリマー(SMP)の発見を加速しました。ポリウレタン組成物のデータセットと形状回復温度のデータをトレーニングすることで、ランダムな森林モデルは、可変トランジション温度で新しいSMPを予測しました。チームは、モデルの信頼性を確認した、トップ5の予測を検証しました。

今後の方向性

複数の開発は、MLをポリマー設計にさらに統合することを約束します。 3D表現でディープラーニング] (例えば、原子は分子動態から調整)は、気象の形態をキャプチャすることができます。 アクティブ学習ループ]は、ターゲット実験のための外部ラボが反復の数を減らすことができます。 最後に、研究対象の組織は、高分子モデルを[FLT]、高分子構造体構造体構造体構造体構造体構造体、高分子構造体、高分子構造体、高分子構造体、高分子構造体、高分子構造体、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、および高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、高分子、および高分子、高分子、および高分子、高分子

ポリマーデータが成長し、アルゴリズムが成熟するにつれて、機械学習は、あらゆるポリマー科学者の反復の標準的なツールになります。それは実験的な作業を置き換えることはありませんが、はるかに効率的なものにします。また、次世代技術の要求に応える材料の急速な発展を可能にします。フレキシブルエレクトロニクスと軽量航空宇宙複合材料から高温ろ過膜や生分解性インプラントまで。