Puente de escalas: aprendizaje automático para el diseño racional y la modelización de polímeros con memoria de forma

Área de la Ciencia:

• Ciencia de Materiales
• Ciencia de Polímeros
• Ciencia Computacional

Sus antecedentes:

• Los polímeros con memoria de forma (SMP) son materiales sensibles a estímulos con amplias aplicaciones.
• El diseño tradicional de SMP se basa en métodos empíricos, lo que limita la velocidad de descubrimiento.
• La predicción del comportamiento de los SMP a menudo requiere una mecánica teórica compleja.

Objetivo del estudio:

• Revisar críticamente los avances recientes en la aplicación del aprendizaje automático (ML) a los SMP.
• Discutir el diseño de SMP asistido por ML, la identificación de química y la predicción de propiedades.
• Esbozar las direcciones futuras para el ML en la investigación de SMP.

Principales métodos:

• Revisión de la literatura actual sobre aplicaciones de ML en SMP.
• Discusión de técnicas de ML para la identificación de química de SMP.
• Análisis de ML para predecir propiedades termomecánicas y de memoria de forma.

Principales resultados:

• El ML muestra la promesa de acelerar el descubrimiento de SMP y la predicción de propiedades.
• Se han empleado diversas herramientas de ML para identificar nuevas químicas de SMP.
• El ML ayuda a predecir las propiedades termomecánicas y de memoria de forma de los SMP.

Conclusiones:

• El descubrimiento y la modelización de SMP asistidos por ML se encuentran en sus primeras etapas.
• Las limitaciones actuales incluyen representaciones estructurales incompletas y desafíos en la integración de efectos térmicos/temporales.
• El trabajo futuro debe centrarse en herramientas de ML avanzadas para topologías complejas de SMP y redes específicas de polímeros.