Модель ML мгновенно предсказывает свойства полимера

1 декабря 2022 г. — Сотни миллионов тонн полимерных материалов производятся во всем мире для использования в обширной и постоянно растущей области применения с новыми требованиями к материалам, таким как экологически чистые химические полимеры, потребительская упаковка, клеи, автомобильные компоненты, ткани и солнечные элементы. .

Но поиск подходящих полимерных материалов для использования в этих приложениях заключается в точном прогнозировании свойств материала-кандидата. Получение количественного понимания взаимосвязи между химической структурой и наблюдаемыми свойствами является особой проблемой для полимеров из-за их сложной трехмерной химической сборки, которая может состоять из чрезвычайно длинных цепочек из тысяч атомов.

Недавно команда из Ливерморская национальная лаборатория Лоуренса Материалы LLNL и ученые-компьютерщики решили эту проблему с помощью подхода, основанного на данных. Используя наборы данных о свойствах полимеров, исследователи разработали новую модель машинного обучения (ML), которая может более точно предсказывать 10 различных свойств полимера, чем это было возможно в предыдущих моделях ML.

«Секрет успеха новой модели машинного обучения заключается в новом представлении полимеров, которое компактно отражает структуру полимеров, в сочетании с мощными методами машинного обучения на основе графов, которые независимо изучают лучший способ описания структуры полимера», — сказал Иван. Антонюк, научный сотрудник LLNL, ведущий автор научной статьи, опубликованной в Журнал химической информации и моделирования.

Химическая структура полимеров обычно состоит из десятков или тысяч повторяющихся химических субъединиц, это свойство называется периодичностью. Предыдущие методы прогнозирования свойств полимеров с использованием машинного обучения не могли уловить расширенную циклическую структуру полимера, что приводило к неточным прогнозам.

В этой работе исследовательская группа разработала новый метод явного кодирования периодичности полимера в модели машинного обучения.

«Результаты этой работы показывают, что включение периодичности в модель машинного обучения повышает точность прогнозирования свойств полимеров», — сказал Антонюк.

В химической лаборатории часто требуется много времени, чтобы синтезировать и охарактеризовать новые полимеры, прежде чем можно будет провести измерения для определения их свойств. Но модель ML способна генерировать собственные прогнозы почти мгновенно. В настоящее время исследовательская группа работает с разработчиком LLNL Джо Чавесом над созданием интерактивного веб-интерфейса, позволяющего сделать модели машинного обучения доступными для всех.

«Эта интерактивная модель позволит ученым-полимерам получить немедленное представление о свойствах новых полимерных материалов, что позволит быстро тестировать и повторять новые концепции в химии полимеров», — сказала ученый LLNL и соавтор Анна Хишпански.

Среди других ученых LLNL, участвовавших в исследовании, Пегги Ли и Бхавья Кайлхура.

Источник: ЛЛНЛ