通过基于分子动力学模拟数据的新型机器学习算法预测天然的结晶性

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学的计算化学
• 聚合物物理 聚合物物理

背景情况:

• 由于应变诱导结晶 (SIC),天然 (NR) 具有出色的机械性能.
• 分子动力学 (MD) 模拟对于在分子水平上研究SIC是有价值的,但在计算上是密集的.
• 整合机器学习 (ML) 与MD提供了一条加速模拟的途径,同时保持准确性.

研究的目的:

• 为天然开发基于ML的结晶性算法,根据SIC属性量身定制.
• 用计算方法研究结构部件对SIC的影响.
• 为了提高模拟天然中SIC的效率和准确性.

主要方法:

• 开发了一个使用 eXtreme Gradient Boosting (XGB) 模型的晶度预测算法.
• 使用生成对抗网络 (GAN) 进行数据增强,以优化有限的训练数据.
• 利用特征重要性分析和重量整合来分析脂/蛋白质百分比 (ω),键强度 (εH) 和非键强度 (εNH) 对SIC的影响.

主要成果:

• 开发的ML方法准确地预测NR结晶性.
• 使用GAN进行数据增强,提高了预测模型的准确性.
• 特性重要性分析显示,键强度 (εH) 显著影响应变诱导的结晶性,其次是脂/蛋白质百分比 (ω) 和非键强度 (εNH).

结论:

• 拟议的ML方法,结合XGB和GAN,有效地预测天然中的SIC.
• 这种方法克服了传统的MD模拟的局限性,提高了速度和准确性.
• 键强度被确定为影响天然中应变诱导结晶性的最关键因素.