高玻璃过渡温度化聚合物基于转移学习与小实验数据的转移学习.
Jin-Hoon Yang1, Jiyoung Lee2, Hajin Kwon2
1Chemical Data-Driven Research Center, Korea Research Institute of Chemical Technology, Daejeon, 34114, Republic of Korea.
Macromolecular rapid communications
|May 25, 2024
概括
机器学习模型使用转移和集合学习预测化聚合物中的高玻璃过渡温度 (Tg). 这种方法克服了数据的局限性,通过实验验证识别了新的高Tg共聚合物候选物.
科学领域:
- 聚合物科学 聚合物科学
- 材料科学 材料科学 材料科学
- 计算化学计算化学
背景情况:
- 机器学习 (ML) 模型可以预测聚合物特性并探索化学空间.
- 有限的实验数据限制了对聚合物的ML模型的预测准确性.
- 开发高玻璃过渡温度 (Tg) 聚合物对于先进的应用至关重要.
研究的目的:
- 开发一种高效的ML方法来预测化聚合物的Tg.
- 使用预测建模指导高Tg共聚物的设计.
- 克服与小且分布不均的聚合物数据集相关的挑战.
主要方法:
- 通过在QM9数据集上进行预训练来利用转移学习,以获得强大的分子表示.
- 采用集体建模来提高预测的稳定性和可靠性.
- 在一个专门的,有限的共聚合物数据集上微调模型.
主要成果:
- 该ML模型成功预测了247种潜在的高T化聚合物候选物 (Tg>390K).
- 预测的高Tg候选人中有14个经过实验验证.
- 该研究表明,在一个庞大的化学空间 (61个单体) 中,有效导航.
结论:
- 转移学习和集体建模是用有限数据在聚合物设计中使用ML的有效策略.
- 拟议的方法加速了新型高T化聚合物的发现.
- 机器学习在推进材料设计和发现方面具有巨大的潜力.
更多相关视频
06:55Synthesis of Cyclic Polymers and Characterization of Their Diffusive Motion in the Melt State at the Single Molecule Level
Published on: September 26, 2016
7.9K
06:26Orientational Transition in a Liquid Crystal Triggered by the Thermodynamic Growth of Interfacial Wetting Sheets
Published on: May 15, 2017
7.1K
