机器学习框架用于描述块共聚合物薄膜中的处理结构关系

科学领域:

• 材料科学 材料科学 材料科学
• 聚合物科学 聚合物科学
• 数据科学数据科学数据科学

背景情况:

• 块共聚合物 (BCP) 形态决定了材料的特性和应用.
• 描述BCP薄膜对于材料开发至关重要.
• 现有的方法可能耗时,缺乏高吞吐量能力.

研究的目的:

• 开发一种支持机器学习 (ML) 的高通量框架,用于BCP薄膜形态分析.
• 为了整合放牧发生率小角度X射线散射 (GISAXS) 和原子力显微镜 (AFM) 数据.
• 为了能够有效地探索和优化BCP处理参数.

主要方法:

• 训练了一个卷积神经网络 (CNN),以97%的准确度分类AFM图像.
• 从机关分类的AFM图像中提取2D粒度测量的高通量提取.
• 经过训练,ML模型可以根据处理参数 (溶剂比率,添加剂类型/比率) 预测域方向.
• 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).

主要成果:

• 基于GISAXS的房地产预测显示出强的表现 (R2>0.75).
• 由于局部测量,基于AFM的财产预测不太准确 (R2 < 0.60).
• SHAP分析确定添加剂比为对形态预测最有影响的参数.
• 该框架成功地将处理参数与BCP形态相关联.

结论:

• 开发的ML框架加速了BCP薄膜形态的表征.
• 可解释性分析为结构与财产关系提供了关键的见解.
• 这种方法通过了解参数的重要性来促进BCP材料的优化.
• 该研究为探索和优化BCP形态在广泛的处理环境中提供了一条途径.