聚合物降解监测的层次感应框架:用于可编程材料发现的物理受限增强学习框架
Xiaoyu Hu1, Xiuyuan Zhao2, Wenhe Liu3
1Department of Chemical Engineering and Materials Science, Stevens Institute of Technology, Hoboken, NJ 07030, USA.
Sensors (Basel, Switzerland)
|July 30, 2025
概括
这项研究引入了基于物理的深度学习框架,用于预测聚合物降解. 人工智能模型成功识别了42种具有可控降解特征的新型聚合物,推动了可持续材料科学的发展.
科学领域:
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
- 聚合物化学 聚合物化学
背景情况:
- 设计具有可编程降解的材料是具有挑战性的,因为复杂的结构-属性关系.
- 预测聚合物降解需要分析广的化学空间.
研究的目的:
- 开发一种新的基于物理的深度学习框架,用于智能表征和预测聚合物降解动态.
- 为了实现可持续材料的实时监控.
主要方法:
- 一个双通道传感架构,融合了图形同态网络和变压器模型,用于多级分子状态检测.
- 一个受物理限制的政策网络,确保热力学坚持和优化降解路径探索.
- 层次信号处理与自适应权重和基于课程的培训.
主要成果:
- 对847种新型聚合物进行实验验证,合成成功率达到73.2%.
- 确定了42个具有精确监测降解概况 (6-24个月) 的结构.
- 基于物理学的约束改善了生成的分子结构有效性 (94.7%) 和多样性 (0.82 Tanimoto 距离).
结论:
- 该框架增强了对下一代可持续材料的实时监测.
- 基于物理的机器学习在材料科学中推进了智能感知.
- 揭示了光谱特征与降解易受性之间的新相关性.

