npj: 浊点工程的机器学习—聚合物逆向设计
海归学者发起的公益学术平台
分享信息,整合资源
交流学术,偶尔风月
聚合物因其具有高度可调的物理、化学和电学性质,因而在结构和功能材料系统中无处不在。通过聚合物与其他聚合物、溶液和它们自身的相互作用,可描述聚合物在多个长度范围内的顺序,确定其相的性质。有一种相的性质叫浊点,即,聚合物不再与溶液混溶时的温度。许多研究将浊点与一个或两个实验变量(如,结构和温度)之间的简单关系制成表格,或者提供与数据的多项式拟合。应用机器学习密度泛函理论(DFT)计算,可预测聚合物体材的光电和物理性质。然而,这种方法对于聚合物系统来说,在计算上特别昂贵,且各参数在大范围内变化时,难以实现高精度、可扩展的逆向设计。
由新加坡材料研究与工程研究所的Jatin N. Kumar教授领导的团队,开发了一种机器学习框架,用于依据目标相的特性(特别是浊点)来预测聚合物结构(拓扑结构、组成、功能和尺寸)。该框架适应多种长度尺度的复杂无序,即,可区分聚合物与小分子、无机晶体和系统结构的优化。通过合理应用机器学习方法,作者在聚合物设计方面实现了概念上的重大进步。
他们通过三个重要步骤实现了聚合物的设计:
首先,策划并分类历史数据和新数据;
其次,选择并微调基于梯度增强回归和决策树的机器学习模型,从而得到3.9℃的浊点预测精度(RMSE),该模型能够很好地规范化明确定义的历史数据集,以及新合成的分子量呈不对称分布的聚合物;
再次,经粒子群优化的聚合物逆向设计,该步骤基于所训练数据(37℃、45℃、60℃、80℃)的浊点范围扩展的期望浊点,对新聚合物的设计进行预测。
作者讨论了逆向设计方法如何扩展用于多个目标函数,演示了如何通过神经网络集合作为交叉验证技术,以便推断超出训练集之外的数据,从而筛选出17种具有最低预测方差的聚合物。预测聚合物的RMSE与正向模型的RMSE相似。该方法提供了前所未有的对聚合物主动设计的实例,有望显著加速依据浊点等多种目标性能的聚合物设计。
该文近期发表于npj Computational Materials 5: 73 (2019),英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。
Machine learning enables polymer cloud-point engineering via inverse design
Jatin N. Kumar, Qianxiao Li, Karen Y. T. Tang, Tonio Buonassisi, Anibal L. Gonzalez-Oyarce & Jun Ye
扩展阅读
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方