基于机器学习的聚胺材料的属性预测和结构特征提取
Han Zhang1, Haoyuan Li1, Hanshen Xin1
1School of Microelectronics, Shanghai University, Shanghai 201800, China.
Journal of chemical information and modeling
|August 24, 2023
概括
机器学习模型准确地预测了聚胺的光学特性和玻璃过渡温度. 分子弹性和原子位置是影响这些特性的关键因素,有助于灵活的显示材料的开发.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 聚合物科学 聚合物科学
背景情况:
- 机器学习加速了新材料的开发,但对聚胺的光学属性预测尚未得到充分的探索.
- 了解结构属性关系对于设计先进的聚胺材料至关重要.
研究的目的:
- 开发机器学习模型来预测聚胺玻璃过渡温度和切断波长.
- 确定影响这些属性的关键结构特征.
主要方法:
- 收集了652个聚胺分子结构.
- 在预测任务中应用了七个机器学习算法.
- 从重复的单元结构中提取特征信息.
主要成果:
- 在玻璃过渡温度 (R=0.861) 和切断波长 (R=0.837) 时达到33.92°C的平均平方误差和17.18nm的平均平方误差.
- 确定分子弹性对于玻璃过渡温度至关重要.
- 确定异质原子的存在和位置显著影响切断波长.
结论:
- 使用合成聚胺材料验证的预测模型,显示实验值和预测值之间的良好一致.
- 建立了基于数据的聚胺结构设计和材料准备的基础.
- 结果支持用于灵活显示应用的聚胺的开发.
更多相关视频
09:22Self-assembling Morphologies Obtained from Helical Polycarbodiimide Copolymers and Their Triazole Derivatives
Published on: February 7, 2017
7.9K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
1.2K
