Marco basado en datos para predecir de manera robusta el parámetro de solubilidad de diversos polímeros | JoVE Visualize

Área de la Ciencia:

Ciencias de los Polímeros
Química computacional
Ciencias de los materiales

Sus antecedentes:

La predicción precisa de los parámetros de solubilidad del polímero es crucial para la selección y el procesamiento del material.
La comprensión de las complejas relaciones entre las propiedades del polímero y la solubilidad es esencial para el desarrollo de nuevos materiales.
Los métodos existentes para determinar los parámetros de solubilidad pueden consumir mucho tiempo y recursos.

Objetivo del estudio:

Desarrollar y evaluar modelos de aprendizaje automático (ML) para la predicción precisa de los parámetros de solubilidad de polímeros.
Identificar los descriptores moleculares clave que influyen en la solubilidad del polímero.
Mejorar la interpretabilidad y la fiabilidad predictiva de los modelos ML en la ciencia de los polímeros.

Principales métodos:

Se utilizó un conjunto de datos de 1.799 puntos de datos de solubilidad de polímeros, preprocesados con detección de valores atípicos de Monte Carlo.
Entrenó y comparó múltiples algoritmos de ML, incluida la regresión lineal, SVM, bosques aleatorios, máquinas de aumento de gradiente, ANN y CNN.
El rendimiento del modelo evaluado utilizando el cuadrado de R, el RMSE, el MRD%, las gráficas cruzadas, las gráficas de desviación y el análisis SHAP.

Principales resultados:

Los modelos CatBoost, ANN y CNN lograron una precisión superior en la predicción de los parámetros de solubilidad del polímero.
El análisis de sensibilidad confirmó que todas las características de entrada influyeron en el parámetro de solubilidad.
El análisis SHAP identificó la constante dieléctrica como el predictor más significativo de la solubilidad del polímero.

Conclusiones:

Los modelos ML, en particular CatBoost, ANN y CNN, ofrecen un enfoque eficiente y preciso para pronosticar los parámetros de solubilidad del polímero.
Los descriptores moleculares clave, especialmente la constante dieléctrica, juegan un papel vital en la determinación de la solubilidad del polímero.
Los modelos desarrollados proporcionan información valiosa sobre las relaciones estructura-propiedad, mejorando la comprensión científica y las capacidades predictivas en la ciencia de los polímeros.