Aprendizaje de refuerzo de múltiples puntos para el diseño de poliimida de alta Tg

Área de la Ciencia:

• Ciencia de los materiales Ciencia de los materiales.
• Química computacional es la química computacional.
• La ciencia de los polímeros es la ciencia de los polímeros.

Sus antecedentes:

• El diseño de polímeros con altas temperaturas de transición de vidrio (Tg) es crucial para aplicaciones avanzadas.
• Los métodos tradicionales a menudo tienen dificultades para explorar eficientemente el vasto espacio químico en busca de estructuras óptimas de polímeros.

Objetivo del estudio:

• Desarrollar y evaluar un marco computacional para la generación de poliimidas con alta Tg (>750 K) utilizando el aprendizaje por refuerzo (RL).
• Investigar el impacto de la combinación de múltiples funciones de puntuación en la calidad y diversidad de los polímeros generados.

Principales métodos:

• Un marco computacional sistemático que integra múltiples funciones de puntuación dentro de un enfoque RL para el diseño molecular.
• Análisis de las puntuaciones individuales y combinadas, incluidos los modelos predictivos, las puntuaciones de alta Tg, la similitud de Tanimoto y varios métodos de agregación (medias aritméticas, geométricas, armónicas y ExpAgg).

Principales resultados:

• La combinación de puntuaciones influye significativamente en la calidad y diversidad de los polímeros generados.
• La nueva función de agregación ExpAgg demostró un rendimiento superior en múltiples configuraciones de RL.
• El marco multiscore generó con éxito candidatos químicamente razonables de poliimida de alta Tg, incluso cuando el modelo predictivo subestimó los valores fuera de distribución.

Conclusiones:

• Las estrategias de agregación de puntajes son fundamentales para el éxito de los resultados de aprendizaje de refuerzo molecular en el diseño de polímeros específicos.
• La función ExpAgg ofrece un enfoque prometedor para fusionar puntuaciones complementarias.
• Se proporcionan pautas para la selección de funciones de agregación, enfatizando la necesidad de ir más allá de los simples promedios para mejorar el diseño molecular.