路易斯安那州立大学ACS AMI: 机器学习用于发现热固性形状记忆聚合物

具有高恢复应力和温和玻璃化转变温度 ( Tg ) 的紫外线 (UV) 固化热固性形状记忆聚合物 (TSMP)是3D/4D打印轻质承重结构和设备的理想选择。然而，瓶颈在于高恢复应力通常意味着高Tg。虽然机器学习 (ML) 已成为发现新材料/药物的有用工具，但发现新TSMP的巨大挑战在于非常有限的可用数据。

在此，美国路易斯安那州立大学李国强教授等人通过将迁移学习变分自编码器（VAE）与加权向量组合方法（WVCM）相结合，报道了一种增强的ML方法来捕获由单体和交联剂之间的摩尔比变化引起的TSMP性质变化。

通过在预训练过程中学习包含药物分子的大型数据集，能够实现有效地将 TSMP 映射到更接近高斯分布的隐藏空间。使用这种方法，作者部分解决了用ML发现 TSMP 时存在的两个常见问题，即缺乏摩尔比信息和有限的训练数据。作者创造了一个大的组成空间，并能够发现5种具有所需特性的新型紫外线固化TSMP，其中一种已通过实验验证。

图1. VAE模型网络的基本管道结构

这项研究的贡献包括（1）通过药物分子表示TSMP的特征克服了有限训练数据集的障碍；（2）开发了能够克服映射摩尔比信息障碍的ML框架。结果表明，该方法可以利用数据稀缺（和有偏差）的TSMP目标和数据丰富的药物源之间的相关性来有效地学习TSMP特征，并且结果比采用直接标签编码和Morgan编码的支持向量机方法的基准集更准确且稳健。

因此，作者相信该框架是TSMP领域的最新研究成果，这也为发现新的TSMP 和其他热固性聚合物开辟了新的机会。

图2. TSMP属性预测模型的神经网络的基本结构

From Drug Molecules to Thermoset Shape Memory Polymers: A Machine Learning Approach, ACS Applied Materials & Interfaces 2021. DOI: 10.1021/acsami.1c20947

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/2023/10/15/cf19d4bbdc/

路易斯安那州立大学ACS AMI: 机器学习用于发现热固性形状记忆聚合物

相关推荐