Polimer Degradasyon Prediction'de Makine Öğrenmesine Giriş

Polimerlerin termal stres altında nasıl davrandığını tahmin etme yeteneği, modern malzemeler biliminin temel taşıdır. Bir araba motorunda metal bileşenleri uzay aracı üzerindeki kaplamalardan, termal bozulmaları anlama, güvenlik, güvenilirlik ve uzun ömürlülük sağlar. Geleneksel deneysel yöntemler, termogravimetrik analiz (TGA) ve ayırıcı tarama calorimetri (DSC), bu makaledeki hataların zaman alıcı, pahalı ve sınırlı olduğunu anlamak için yöntemler.

Polimer Isı Degradasyonunun Temelleri

Kimyasal Mechanisms Behind Degradation

Sıcaklık bozulması, polimer zincirleri yüksek sıcaklıklara maruz kaldığı zaman, örneğin poliolefinler tipik olarak rastgele zincirlemeler ile ölçülürken, poli(til methacryla) polimerin kimyasal yapısına, stabilizatörlerin varlığına ve çevresel atmosfere (oxygen, inert gaz, nem) göre anlamlı bir şekilde azalırken, poliolefinler genellikle normal bir şekilde formüle edilirler.

Anahtar Faktörleri Termal Stability

Birkaç intrinsic ve extrinsic değişkeni, bir polimerin termal bozulmaya karşı direncini etkiler:

  • [FONT:0)Molecular ağırlık ve polidispersity: ) Yüksek moleküler ağırlık genellikle artan zincir entanglement ve daha az zincirleme ile bozulmaya başlayan ısı stabilitesini artırır.
  • [FONT=0)Chemical structure:[DÜDÜT:1] Aromatik halkalar, heteroatomlar ve çapraz bağlantı yoğunluk tüm etki bağ dissociasyon enerjileri. Örneğin, poliimitler, aliphatik polyesterlerden daha yüksek termal stabilite sergilemektedir.
  • [FONT=0)Eksi ve eksler: [Dönder: [Düzücüler, antioksidanlar ve nano dolumlar (örneğin, grafikene oksit, karbon nanotüpler) önemli ölçüde artabilir veya bozulma davranışını değiştirebilir.
  • [FONT=0) Hız ve atmosfer: [Dönetici ısı oranları yüksek sıcaklıklara (kintik etki) inert atmosferler hidroksidizol reaksiyonlarını hızlandırırken, daha hızlı ısıtılır.

Bu faktörleri anlamak, araştırmacıların makine öğrenme modelleri için ilgili özellikleri tasarlamasını sağlar. Daha fazla polimer bozulması mekanizmaları hakkında okuması için, ESFLT tarafından kapsamlı bir incelemeyi bakınız:0)Pielichowski ve Njuguna (2019)).

Makine Öğrenmesi Polimer Degradasyon için Akışlar

Data Curation ve Deneysel Kaynaklar

Herhangi bir ML modelinin başarısı, eğitim verilerinin kalitesi, miktarı ve önemine bağlıdır. Polimer bozulması için, deneysel veri setleri yayınlanmış literatürden, özel endüstriyel veri tabanlarından ve yüksek kodlu deneylerden derlenmektedir. Common data sources include:

  • Termogravimetrik analiz (TGA) bu kayıt kütle kaybının sıcaklık fonksiyonu olarak kaydedilmesidir.
  • Diferansiyel tarama calorimetri (DSC) bozulma sırasında ısı akışını ölçme.
  • Mekanik mülkleri takip eden Isoterm yaşlanma çalışmaları sabit sıcaklıklarda zamanla değişir.
  • Limit oksijen indeksi (LOI) ve ısı salım oranı gibi toksikite ve flammability metrics and like limits oksijen index (LOI) and Heat release rate.

Ortalama olarak mevcut kaynaklar, [[0)Polymer Database) veya [[FONTD:2)Polymer Property Predictor ve Database (P)DB))[FLT)[FLT) Farklı laboratuvarlardan gelen veriler farklı protokolleri, ısıtma oranlarını ve örnek geometrileri kullanarak, normalleştirilmiş veya hesaplanmış özel mühendislik için hesaplanmış verileri kullanabilir.

Kimyasal Descriptors

Raw kimyasal yapıları ML algoritmalarının işlem yapabileceği sayısal özelliklere dönüştürülmelidir. Common descriptors şunları içerir:

  • [FONT:0)Molecular parmak izlerini:[Dönetici:[Dönetici:0) Bit vektörleri belirli alt yapıların varlığını veya yokluğunu temsil eder (örneğin, MACCS anahtarları, Morgan parmak izleri).
  • [FONT=0)Topological indices:[Dönetici:[Dönetici: 0,4;)) Moleküler form, bağlantı ve dallama (örneğin, Wiener indeksi, Balaban indeksi).
  • [FONT:0)Physical özellikler: [DÜDÜDÜDÜ:2|T))) s[D[DÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜŞÜN) yoğunluğu ve çözünürlük parametreleri, ya da deneysel olarak ölçüldü.
  • [FONT:0) Grup katkısı tanımlayıcılar: [Dönetici gruplardan gelen katkıların bozulması, bozulma ısısını öngörmek için (örneğin Van Krevelen yöntemi).

Gelişmiş özellik mühendisliği genellikle boyutsal azalmayı içerir (örneğin, temel bileşen analizi) boyutsallıktan kaçınmak için, özellikle büyük parmak izi vektörleri kullanarak. Otomatik özellik seçimi teknikleri yeniden kullanım kolaylığı veya L1 düzenlileştirme yardımı en etkili tanımlayıcı tanımlayıcı tanımlayıcıları tanımlamak için.

Model Seçimi ve Eğitim Stratejileri

Çeşitli ML algoritmaları polimer bozulması tahminine uygulanır, her biri güçlü ve zayıf yönleriyle:

Sürekli Sıcaklık Prediction için Regresyon Modelleri

Belirli bir kilo kaybındaki kesin başlangıç ısısını veya sıcaklığı tahmin etmek regresyon görevidir. Classic yaklaşımlar şunları içerir:

  • [FONT:0)Linear regresyon normalleşme (Ridge, Lasso): [Döntilmiş Basit, hızlı ve yorumlanabilir, ancak özellikler ve hedef arasındaki lineer ilişkileri varsayar.
  • [FONT:0]Random Forest Regressor: Lineer olmayan etkileşimleri yakalayan ve önemli sıralamaları sunan karar ağaçlarının bir araya gelmesi.
  • [FONT:0)Dektör Regresyon (SVR): [D boyutlu alanlarda etkili olan, ancak dikkatli çekirdek seçimi (örneğin, radyal temel işlevi) ve hiperparametre ayarını gerektirir.
  • [FONT:0)Gradient Boosting Machines (XGBoost, LightGBM): ), Devlet-önceki ağaçlar tarafından tabut verileri üzerinde performans. Genellikle rastgele ormanlar doğruluyorlar, ancak normalleşmeden daha eğilimlidir.

Stability Assessment için Sınıflandırma Modelleri

Bazı uygulamalarda, polimerleri "400 °C" veya "günlük" gibi kategorilere sınıflandırmak yeterlidir. Sınıf modelleri şunları içerir:

  • [[0)Logistic regresyon:[Dönetici sınıflandırma için Basit olasılıksal model, genellikle bir temel olarak kullanılır.
  • [FONT:0]Random Forest ve XGBoost sınıflandırıcılar: [Dönetici: 1) SMOTE gibi sınıf ağırlıkları veya aşırı uç teknikleri kullanarak sınıf ağırlıkları iyi bir şekilde ele geçirmektedir.
  • [FONT:0)Depres Vector Machine (SVM): ), yüksek boyutlu özelliklerdeki en iyi karar sınırları bulmakta, özellikle küçük veri kümeleri için.
  • [FONT:0]Neural Network sınıflandırıcılar: [Dönerge:[Döneticiler karmaşık desenleri yakalayabilir, ancak aşırı yüklemeyi önlemek için daha büyük veri kümelerini ve düzenlileştirmeyi gerektirir.

Derin Öğrenme ve Graph Neural Networks

Derin öğrenmedeki son gelişmeler, doğrudan moleküler grafiklerden öğrenilen modeller, el-crafted descriptors. Graph sinir ağları (GNNs) diğer polimer özellikleri için düğümler ve bağlar olarak atomları temsil eder, sonra da moleküler görüntüleri tahmin etmek için mesaj verir ve TGA eğri görüntülerine göre daha büyük bir alternatif sunar.

Vaka Çalışmaları ve Performans Benchmarks

T) Tahmin etmek [Döneticileri için ).

Bir yalıtım çalışmasına rağmen, araştırmacılar 500'den fazla vinil polimerin bir veri kümesini deneysel olarak ölçtüler.)[Dönetici:0)[Dört ağırlık kaybı) ve daha önce yapılan bir deneyde kullanılan elektriksel ölçümler (radius 2, 1024 bitleri) olarak nitelediler.

Hızlı Ekranlama Flamegrid Formültions

Bir ayrı çalışma, yüksek çözünürlükte veya altında 26 (kendi kendini büyütme malzemeleri için ortak bir kriter) için temel özellikler, kar-formansiyon katkılarını kullanarak, modeldeki% 91 doğruluk elde etti. Model, laboratuvar bilişim sistemi ile entegre edildi, kimyagerlerin sentezlenmesi için ortak bir kriterdi ve deneysel çabayı %70 oranında azalttı.

Teknik Zorluklar ve Pratik Sınırlar

Data Scarcity ve Deneysel Variability

ML'yi polimer bozulmasına uygulamadaki en büyük engellerden biri, mevcut veri kümelerinin sınırlı büyüklüğü ve tutarlılığıdır. Küçük molekül veritabanından farklı olarak (örneğin, PubChem'in milyonlarca bileşikle), polimer veri tabanı genellikle sentetik gürültü veya pnömatik modelleme için rapor edilen birkaç bin giriş içerir, örneğin ısıtma hızındaki farklar nedeniyle 20-30 °C'ye değişebilir ve ölçümleme.Bu gürültü modelleme modeli doğruluk ve genelleştirmeyi azaltır.

Temsil ve Transferability

Çoğu ML modelleri, polimerlerin belirli sınıflarında (örneğin, büyük bir veri kümesi üzerinde modellemenin iyileştirilmesi, polyesterler) bir modele genellikle kötü performansta başarılı bir şekilde uygulanabilmesi nedeniyle, özel alan ve bozulma mekanizmalarının bozulmasına göre farklı. Transfer öğrenme, büyük bir veri kümesinin son katmanların birkaç düzine yeni bir hedef veri kümesi üzerinde iyi eğitilmesi, örneğin, genel organik polimerlerin üzerinde eğitilmiş bir modeldir. Örneğin, biyo temelli polyesterlerin bozulmasına göre bir model daha uygulanabilir.

Yorumlama ve Kimyasal İçgörü

ML modelleri yüksek tahmin edilebilir doğruluk elde edebilirken, genellikle "kara kutular" olarak çalışabilirler, belirli bir polimerin neden stabil veya kararsız olduğunu anlamak için zorlaşılabilir bir AI tekniğini açıklarlar, SHAP (SHapley Katkıları) gibi, bu tür yorumlar sadece yeni polimerlerin rasyonel tasarımını değil, aynı zamanda rasyonel bir şekilde tasarlayabilirler. Örneğin, bir SHAP özet arsa, yüksek moleküler ağırlık ve düşük oksijen içeriği yüksek çözünürlükte yüksek çözünürlükte bulunan yüksek çözünürlüktedir.

Future rotası ve Gelişen Fırsatlar

Yüksek-Throughput Deneyasyonu ile entegrasyon

Bir sonraki sınır, ML'nin robotik yüksek kod deneyleriyle (HTE) otomatik sentez platformları hızla onlarca polimer örneği üretebiliyor, otomatik TGA/DSC sistemleri bozulma profillerini ölçüyor. ML modeli daha sonra, veri kıvrımını aşarak binlerce veri noktası üretebiliyor.

Hybrid Physics-Inform Modeller

Saf olarak veri odaklı ML modelleri, polimer bozulmasının alt yatan fiziğini görmezden gelir (örneğin, bir sinir ağı, daha sonra değişkenlerin difüzyonu) bir Arrhenius denklemi, kinetik denklemleri hesaplamak için kullanılan atomik denklemleri hesaplayabilir.

Çok-Property Prediction

Termal bozulma izolasyonda gerçekleşmiyor; örneğin, mekanik güç, elektrik iletkenliği ve flammability gibi diğer özelliklerle bağlantılıdır. Multi-task öğrenme modelleri, özellikle de veriler sınırlı olduğunda. Graph sinir ağları ve çok daha iyi doğruluk sağlar. Örneğin, Td ve çekme gücü aynı moleküler descriptors her iki konuda daha iyi performans verebilir.

Standartlaştırma ve Açık Veri Girişimi

Polimer verilerin parçalanmasının üstesinden gelmek için, topluluk çabaları standart olarak oluşturmak için aşağıdadır, FAIR (Mükemmel, Güvenilir, Güvenilir) Veri kümeleri.Süreklemeler gibi girişimler (örneğin, Ürünler Data Plant) ve Polimer Genom projesi, tutarlı metadata ile birlikte toplamayı amaçlamaktadır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi, polimerlerin termal bozulmasını tahmin etmek için dönüştürücü bir araç olarak ortaya çıktı, malzeme keşfini hızlandırma, deneysel maliyetleri azaltma ve yüksek performanslı malzemelerin tasarımını kılavuzluk. Basit regresyon modellerinden, kimyasal parmak izleri kullanarak gelişmiş grafiklere kadar, bu tekniklerin aralıklarını genişletmeye devam eden, daha güvenli bir şekilde modellemeye devam eden, daha geniş bir şekilde modelleme ve modellemeye giden modeller.