机器学习启用平行预测和共设计的聚合物,以定制玻璃过渡,介电和带隙属性
Boyang Liang1, Wenjia Huo1, Xiang Wu1
1School of Petrochemical Engineering, Shenyang University of Technology, Liaoyang 111003, China.
ACS omega
|October 20, 2025
概括
本研究使用机器学习 (ML) 和模拟来加速新型聚合物 (PI) 的发现. 数据驱动模型准确地预测PI性能,识别用于增强热稳定性和介电性质的关键子结构.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 聚合物科学 聚合物科学
背景情况:
- 聚胺 (PI) 具有优异的热稳定性和电绝缘性,对于航空航天和电子行业至关重要.
- 传统的高性能PI开发速度很慢,需要大量的实验工作.
- 加快发现先进的聚胺是技术创新的关键.
研究的目的:
- 开发一种数据驱动的方法,以快速发现新型聚胺 (PI).
- 确定影响PI性能特征的关键化学子结构.
- 通过分子动力学 (MD) 和量子力学 (QM) 模拟来验证机器学习预测.
主要方法:
- 编制了1499个PI结构与实验数据 (Tg,介电常数,带隙) 的数据集.
- 从SMILES对机器学习 (ML) 模型输入的编码中提取的子结构特征.
- 开发了90ML模型并使用SHAP分析来识别关键的性能管理子结构.
- 使用MD和QM模拟验证了ML预测.
主要成果:
- 机器学习模型对PI属性的预测性表现良好.
- 确定了影响介电性质,热稳定性和绝缘性的关键子结构.
- SHAP分析突出了优化PI性能至关重要的特定基层结构.
- MD和QM模拟证实了ML预测的准确性和设计的PI的可靠性.
结论:
- 一个集成的ML驱动的方法与MD/QM验证有效地加速了新型聚合物探索.
- 这种方法为先进的聚胺的实验合成提供了理论框架.
- 该研究成功指导了具有优越介电和热性能的PI的设计.
