机器学习对机械驱动的聚合物进行分散的反转
Lijie Ding1, Chi-Huan Tung1, Bobby G Sumpter2
1Neutron Scattering Division Oak Ridge National Laboratory,Oak Ridge TN 37831 USA.
概括
一种新的机器学习方法分析了聚合物散射数据,以提取关键的机械和结构参数. 这种方法准确地从散射函数中检索聚合物能量参数和形状变量.
科学领域:
- 聚合物物理 聚合物物理
- 计算材料科学科学 计算材料科学
- 机器学习应用 机器学习应用
背景情况:
- 了解在机械应力下聚合物的行为对于材料科学至关重要.
- 散射函数为聚合物结构和动态提供了洞察力.
- 从散射数据中提取详细参数可能是计算上具有挑战性的.
研究的目的:
- 开发一种机器学习反转方法,用于分析机械驱动的聚合物的散射函数.
- 提取聚合物特征参数,包括能量参数和形状变量.
- 为了验证机器学习方法对聚合物分析的准确性.
主要方法:
- 模拟聚合物作为具有曲能量和外部力 (拉伸,剪切) 的链.
- 创建一个数据集的能量参数,蒙特卡洛散射函数,和形状变量.
- 使用主要组件分析 (PCA) 确保机器学习的可行性.
- 训练和验证高斯过程回归器 (GPR) 用于参数提取.
主要成果:
- 机器学习反转方法成功分析了散射函数.
- 特性参数,包括能量参数 (曲模量,力) 和形状变量 (端到端距离,旋转半径) 被准确地提取.
- GPR模型在未见的数据上证明了有效的验证.
结论:
- 机器学习,特别是GPR,提供了一种可行且有效的方法,用于从散射数据中提取聚合物参数.
- 这种方法增强了对机械应力聚合物系统的分析.
- 开发的方法为聚合物表征和模拟提供了强大的工具.


