聚合物力学转移学习:一种融合方法来弥合SSBR中的分子动力学模拟和实验
Siqi Zhan1, Zhenyuan Li1, Hengheng Zhao1
1State Key Laboratory of Organic-Inorganic Composites, Beijing University of Chemical Technology, Beijing, P. R. China.
Macromolecular rapid communications
|July 28, 2025
概括
这项研究引入了一种新的机器学习框架,通过将模拟数据与实验结果相结合来准确预测溶液聚合 styrene-butadiene (SSBR) 的应力-应变行为,以提高材料性能.
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
- 计算化学的计算化学
背景情况:
- 应力-张力曲线对于理解聚合物材料机制至关重要,特别是溶液聚合 styrene-butadiene (SSBR).
- 分子动力学 (MD) 模拟提供微观洞察力,但由于与实验数据相比,高张力率导致的压力值往往不准确.
研究的目的:
- 通过弥合MD模拟和实验观测之间的差距,开发一种可靠的方法来准确预测SSBR应力-应变曲线.
- 通过准确的机械行为预测来提高SSBR的性能优化.
主要方法:
- 使用加权的融合框架,将转移学习与混合长短期记忆多层感知器 (LSTM-MLP) 和极端梯度增强 (XGBoost) 模型结合起来.
- 一个数据集包括100个模拟的SSBR应力-应变曲线和5个实验曲线,用于模型预训练和微调.
主要成果:
- 拟议的模型实现了与实验数据一致的应力-应变预测,在准确性方面超过了替代机器学习基线.
- 相关性分析确定了SSBR的四个结构单元 (styrene,1,2-butadiene,cis-1,4-butadiene,trans-1,4-butadiene) 对机械性能的影响.
结论:
- 开发的转移学习框架有效地调和了模拟和实验SSBR机械数据之间的差异.
- 这些发现提供了通过理解结构-属性关系来针对性地提高SSBR性能的理论见解.
更多相关视频
10:58SNARE-mediated Fusion of Single Proteoliposomes with Tethered Supported Bilayers in a Microfluidic Flow Cell Monitored by Polarized TIRF Microscopy
Published on: August 24, 2016
11.0K
07:31Author Spotlight: Advancing Cell Membrane Biophysics - Exploring Interactions and Challenges Through Experimental and Computational Approaches
Published on: September 1, 2023
2.5K
