显式溶剂机器学习的聚二硫酸盐粗粒模型,以捕获聚合物结构和动态

科学领域:

• 聚合物科学 聚合物科学
• 计算化学计算化学
• 材料科学 材料科学 材料科学

背景情况:

• 强电荷的多电解质 (PE) 呈现出由链长度,度和离子强度影响的复杂溶液行为.
• 粘度是PE应用的关键性质,但使用粗粒度 (CG) 模型准确计算它仍然具有挑战性.
• 现有的隐性溶剂CG模型在结构预测方面表现出色,但往往无法再现粘弹性特性.

研究的目的:

• 为聚二硫酸盐 (NaPSS) 开发一个粗粒度 (CG) 模型,准确预测水溶液中的结构和动态.
• 解决当前CG模型在计算多电解质粘度方面的局限性.
• 创建一个机器学习模型来探测PE的结构,动态和质性质.

主要方法:

• 利用贝叶斯优化来开发用于NaPSS的显式溶剂CG模型.
• 使用ML-BOP水模型进行显式溶剂模拟.
• 将模型与原子模拟和实验数据进行对比,以获得链统计,结构和特定粘度的数据.

主要成果:

• 开发的显式溶剂CG NaPSS模型量化地复制了聚合物链统计数据和溶液结构.
• 与原子模拟相比,该模型准确地预测了NaPSS扩散度.
• 贝叶斯优化的CG模型证明了对更长的链和各种度的可转移性.

结论:

• 本文介绍了一种机器学习的CG模型,能够预测NaPSS的结构,动态和质性质.
• 该模型有助于研究溶液中的多电解质行为.
• 它有助于合理设计具有量身定制的粘弹性质的新型,强电荷的聚合物.