使用图形卷积网络在溶液中的结构控制的瓶共聚合物的自组预测

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:

• 瓶刷共聚物由于其独特的架构和各种溶剂条件,在溶液中表现出复杂的自我组装.
• 预测自组装行为需要导航广的参数空间,需要先进的计算工具.

研究的目的:

• 开发一个用于瓶共聚合物在溶液中自组装的预测框架.
• 将散射粒子动力学 (DPD) 模拟与机器学习 (ML) 整合在一起,特别是图形卷积网络 (GCN).
• 建立单链性质和新兴的自我组装形态之间的相关性.

主要方法:

• 利用DPD模拟来模拟瓶共聚合物的行为.
• 编码的共聚合物架构作为GCN输入的图形,包括连接和交互参数.
• 采用GCN来预测单链性质和随后的阶段行为.
• 应用了沙普利添加式解释 (SHAP) 来分析属性-形态相关性.

主要成果:

• 在使用 GCNs 预测单链性质方面取得了超过 95% 的准确性.
• 基于预测的单链性质,精确预测相位行为.
• 确定了驱动囊泡形态形成的关键物理性质.
• 在单链特性和自组装结果之间建立了明确的联系.

结论:

• GCN框架提供了瓶共聚合物的自我组装形态的准确预测.
• 这种方法通过控制链架构和溶剂条件,促进了自组装纳米结构的定制设计.
• 这项研究提供了一个强大的计算工具,用于推进聚合物自组装研究.