用数据增强图形卷积神经网络预测和解释同聚合物的玻璃过渡温度
Junyang Hu1, Zean Li1, Jiaping Lin1
1Shanghai Key Laboratory of Advanced Polymeric Materials, School of Materials Science and Engineering, East China University of Science and Technology, Shanghai 200237, China.
ACS applied materials & interfaces
|November 7, 2023
概括
本研究引入了一种数据增强图形卷积神经网络 (GCN) 模型,以预测聚合物玻璃过渡温度 (Tg). 改进的模型即使在有限的数据中也能准确预测Tg,并揭示聚合物设计的结构属性关系.
科学领域:
- 聚合物科学 聚合物科学
- 材料 信息学 信息学
- 计算化学计算化学
背景情况:
- 机器学习 (ML) 模型对于通过建立结构-属性关系来加速聚合物分子设计至关重要.
- 由于训练数据有限和分子图形变异,现有的ML模型面临挑战.
- 在聚合物科学中推断知识的ML模型的解释性仍然未得到充分探索.
研究的目的:
- 开发一种ML模型来预测聚合物的玻璃化过渡温度 (Tg).
- 解决数据稀缺问题,提高聚合物科学中的ML模型的可解释性.
- 利用ML加速功能聚合物的合理设计.
主要方法:
- 将图形卷积神经网络 (GCN) 与数据增强策略集成.
- 使用分子图表表示来捕获结构信息.
- 使用GCN模型的可解释性来推断与Tg相关的原子或亚结构重要性.
主要成果:
- 数据增强的GCN模型在预测聚合物Tg方面明显优于传统模型.
- 该模型实现了更高的准确性,特别是在有限的培训数据下.
- 该模型成功地推断了结构-属性关系,识别了影响Tg的关键原子/子结构,与实验发现保持一致.
结论:
- 数据增强与GCN相结合,为预测聚合物Tg提供了一个强大的方法.
- 开发的模型增强了ML的解释性,为聚合物科学提供了洞察力.
- 这种方法加快了聚合物的合理设计,以目标的玻璃过渡温度.
