姜建文教授ACS AMI: 机器学习辅助加速发现高自由体积分数聚合物

作为聚合物的基本结构特征，自由体积分数（FFV）在控制聚合物性能方面起着不可或缺的作用。然而，新的高FFV聚合物的设计具有挑战性。

在此，新加坡国立大学姜建文教授等人报道了一种数据驱动的方法，旨在加速高 FFV聚合物的发现。首先，作者提出了一种FFV的计算方法，并开发了两步分段方法以构建用于聚合物结构数字表示的片段库。其中，Si-和环相关的片段是对FFV有正向影响的顶部片段，而长脂肪链、羰基和Cl-相关的片段对FFV有负面影响。然后，作者通过数据挖掘技术来识别高FFV聚合物中的有前景片段。

随后，基于数据集I中1683个聚合物的V_vdw和ρ值，作者通过结合3种机器学习（ML）算法（KRR、GPR和RFR）和6个指纹（255位片段、166位MACCS、512位RDKit、1024位RDKit、512位Morgan和1024位Morgan）来训练ML模型，最后在包含11479种聚合物的另一个数据集II中进行了样本外预测。

图1. 数据驱动方法发现高FFV聚合物的工作流程

ML结果显示，结合本文开发的255位片段指纹的RFR算法显示出最佳预测精度。模型性能在训练集和测试集之间的不同随机分割上表现稳定，且在V_vdw和ρ 的ML模型中也观察到类似的重要特征。根据数据集II中11479种聚合物的样本外预测，证明了模型的可迁移性。ML模型用于预测数据集III中约100万个假设聚合物的FFV，预测出29482种聚合物的FFV > 0.2。

此外，作者通过分子模拟验证了12种具有代表性的高FFV聚合物并强调了设计策略。为了进一步促进新的高FFV聚合物的发现，作者开发了一个在线交互平台https://ffv-prediction.herokuapp.com，允许在给定聚合物结构的情况下快速预测FFV。总之，这项研究中的数据驱动方法可能会推动新的高FFV聚合物的开发，并进一步探索聚合物的定量结构-性能关系。

图2. ML模型筛选约100万个假设聚合物中的高FFV聚合物

Accelerating Discovery of High Fractional Free Volume Polymers from a Data-Driven Approach, ACS Applied Materials & Interfaces 2022. DOI: 10.1021/acsami.2c03917

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/07/17a739db7b/

​姜建文教授ACS AMI: 机器学习辅助加速发现高自由体积分数聚合物

相关推荐

分享到：

姜建文教授ACS AMI: 机器学习辅助加速发现高自由体积分数聚合物