Son yıllarda, yüksek performanslı polimerler, aşırı koşullara dayanacak malzemeler gerektiren endüstrilerde vazgeçilmez hale geldi, havacılık, otomotiv, elektronik ve enerji gibi. Bu polimerler, olağanüstü mekanik güç, termal istikrar, kimyasal direnç ve dayanıklılık sunuyor. Ancak, yeni polimerler tasarlayabilmeleri için tasarlanmış özelliklerle ilgili yeni polimerler, daha önce görülmemiş bir hızla ilgili olarak test edilen ve test yöntemlerinin tasarımlarını gerektirir.
Yüksek performanslı Polimer Tasarımının Kompleksi
Yüksek performanslı polimerler yüksek sıcaklıklar altında yapısal bütünlüğü korumak için mühendisidirler, korratif ortamlar veya mekanik stres. örnekler poliimides (e.g., Kapton), poliether ether ketone (PEEK), polisulfones ve sıvı kristal polimerler. performansları moleküler yapı, işleme koşulları ve sonuçlanabilir özellikler arasında karmaşık ilişkilere bağlıdır. Tasarım alanı çok büyük: monomer, kopolimer dizi, fonksiyonel bir grup veya moleküler ağırlık dağılımı, veya moleküler ağırlık dağılımı, cam geçiş gibi dramatik değişiklikler.
Makine Öğrenme Polimeri Keşfeder Nasıl
Makine öğrenme teknikleri, büyük veri kümelerinde desenleri tanımlamakta ve bu desenlere dayanan tahminlerde öne çıkmaktadır. Polimer bilimi, ML modelleri, araştırmacıların en umut verici özellikleri (örneğin, termal, mekanik, elektrik).Bir kez eğitilmiş, bu modeller, haftalardan farklı olarak farklı zamanlarda mülk tahminlerini değerlendirebilir.
Emlak Önlemleri için Süperviz Edildi
En yaygın uygulama denetimli regresyon veya sınıflandırmadır, model harita özelliklerine (örneğin, moleküler parmak izleri, monomer descriptors, işleme parametreleri) atomları hedef alan ve bağlar, rastgele bir orman veya gradient-boosted ağaç modeli Tg'yi mekanik modülel ve termal iletkenlik gibi temel tahminleri kullanarak tahmin edebilir.
Süpervised ML Workflow
- [FONT=0)Data Collection[DÜT:1): literatürden yüksek kaliteli bir veri kümesini, veritabanı (e.g., Polimer Property Predictor, NIST), veya deneysel işbirlikçileri.
- [FONT:0)Ana Sayfası : Her polimer yapısı için tanımlayıcıları hesaplamak. RDKit veya mordred gibi açık kaynaklı araçlar binlerce özellik üretebilir.
- [FONT=0) Model Seçimi ve Eğitim[[Dönetici: XGBoost, destek vektör regresyon veya sinir ağları gibi Evaluating algoritmaları. Cross-validation genelleştirme sağlar.
- [FONT=0)Evaluation[[[Dönlendirme: R2 gibi değerler, mutlak hata (MAE), ve kök-mean-square hatası (RMSE) performansı değerlendirmektedir.
- [FONT:0)Öyleleme ve Ekranlama[Dönlendirme: programlanabilir bir kütüphaneden binlerce sanal adayı puan almak için eğitilmiş modeli kullanın.
Özgün Polimer Tasarımı için Generative Models for Novel Polimer Design
Denetimli modeller özellikleri tahmin ederken, jeneratif modeller (örneğin, değişken otomatik otomatik kodlayıcılar, jeneratif reklam ağları veya tekrarlayan sinir ağları) tamamen yeni polimer yapıları oluşturabilir.Bilinçli modeller, bilinen polimerlerin istatistiksel dağılımını öğrenerek, jeneratif bir model, sentezleme ve test için büyük olasılıkla yeni poliimitler tasarlayabilir ve istenen özellikleri elde edebilir.Bu formlar kapalı bir tasarım döngüsü ile birleştirin: adaylar üretir, tahmin özellikleri, üstlenen üst performansları kullanarak.
Multi-Objective Optimizasyon
Gerçek dünya uygulamaları genellikle birden fazla, bazen çatışma, kriteri - örneğin, yüksek güç ve yüksek esneklik veya düşük dielektrik kaybı ve yüksek termal istikrar için bir polimer gerektirir. Bayesian optimizasyon ve evrimsel algoritmaları bu ticaretten daha verimli bir şekilde yararlanabilirler. (muhtemelen bilinmeyen bölgelere) ve sömürüyü (belirli alanlara karşı çıkmak için) Pareto-optimal çözümlerine bir araya getirmek için.
Polimer Araştırmasında Makine Öğrenmenin Avantajları
- [FONT:0)Speed): Yıllar yerine milyonlarca sanal adayı görüntülemek.
- [FONT:0]Cost Rezminasyonu[[DÜT:1): Pahalı ve tehlikeli laboratuvar sintezleri.
- [FONT:0)Expanded Chemical Space[Dönemli: Geleneksel literatürde bulunan monomerler ve topolojiler.
- [FONT=0]Data-Driven Insights[[Dönetici: ML modelleri hangi moleküler özelliklerin en güçlü performansa, temel anlayışa yol açtığını ortaya çıkarabilir.
- [FONT=0) Otomasyon ile Integration[Dönetici: Pişman deneyleriyle yüksek kodlu ML (örneğin, robotik sentez) hızlandırılmış keşif için kendi kendini kontrol eden bir laboratuvar oluşturur.
Meydanlar ve Sınırlar
Söz konusu söze rağmen, ML'yi polimer tasarıma uygulamak birkaç engelle karşı karşıyadır.ETHFLT:0)Data skarcity) en kritik zincirden yoksundur: yüksek kaliteli, polimerler için tutarlı mülkiyet verileri sınırlıdır.[Dönemli kaynaklarda farklı ölçüm standartları kullanılarak parasal kaynaklar verilir.]))Mevcut polimerlerin sınıflarında (örneğin, termoT3) başka bir deyişle, daha fazla sayıda polimerin kapanmasına veya işleme süresine izin verilmez.
Vaka Çalışmaları ve Gerçek Dünya Uygulamaları
Havacılık-Grade Polyimides
Kaliforniya Üniversitesi'nde bir ekip, yüksek sıcaklık istikrarı ve düşük termal genişleme katsayısı için Gaussian sürecini yenidengresyon olarak kullandı.En iyi 50 adaydan itibaren, performans sınırlarını destekleyen üç tane sentezlediler.
Capacitors için Dielektrik Polimerleri
IBM Research, yüksek enerji kapasitesi olan yüksek kapasiteliler için yeni polimer dielektrikleri tasarlamak için bir mülk öngörüsü ile bir araya geldi; sentez ve testten sonra, bir dielektrik sabit 3× daha yüksek bir ticari biyoyakıtlı poliyel olarak yönlendirilmiş durumdaydı (BOPP), düşük kaybın gerçekleşmesi için zaman önemli ölçüde azaldı.
Şekil-Memory Polimerleri
Makine öğrenimi ayrıca, biyomedikal cihazlar için form işaretli polimerlerin (SMPs) keşfini hızlandırdı.Bir veri kümesi üzerinde poliurethane kompozisyonları ve form kurtarma sıcaklıkları, rastgele bir orman modeli, yeni SMP'lerin en iyi beş tahminini doğruladı, tüm bu modeli% 90'lık bir kurtarma ile onayladı.
Future Yol
Atom tasarımına daha fazla entegre etmeye söz veren birkaç gelişme.(DD gösterimi ile ilgili dışsal bir laboratuvar) (örneğin, atomik koordinatlar) beni çok sayıda kimyasal veritabanına götürebilir (örneğin, PubChem, ZINC), hedefli deneyler için dışsal bir laboratuvarın sayısını azaltacaktır.
Polimer verilerin hacmi büyüdükçe ve algoritmaları olgun hale gelirken, makine öğrenimi her polimer bilim insanının repertuvar membranlarında standart bir araç haline gelecektir. Deney çalışmayı değiştirmeyecek, ancak önümüzdeki nesil teknolojinin ihtiyaçlarını karşılayan malzemeler için daha verimli hale getirecek - esnek elektronik ve hafif havacılık betonarme membranları ve biyodegrad edilebilir implantlar.