机器学习模型即时预测聚合物特性

全球生产了数亿吨聚合物材料，用于广阔且不断增长的应用空间，满足新材料需求，例如绿色化学聚合物、消费品包装、粘合剂、汽车部件、织物和太阳能电池。

但要找到适合这些应用的聚合物材料，关键在于准确预测候选材料将具有的特性。获得对化学结构和可观察特性之间关系的定量理解对于聚合物来说尤其具有挑战性，因为它们复杂的3D化学组装可以由数千个原子的极长链组成。

最近，劳伦斯利弗莫尔国家实验室(LLNL)的材料和计算机科学家团队采用数据驱动的方法解决了这一挑战。通过使用聚合物特性的数据集，研究人员开发了一种新颖的机器学习(ML)模型，该模型可以比以前的ML模型更准确地预测10种不同的聚合物特性。

“新ML模型成功的秘诀在于一种新的聚合物表示形式，它可以紧凑地捕捉聚合物的结构，并结合强大的基于图形的机器学习技术，这些技术可以自主学习如何最好地描述聚合物的结构，”LLNL博士后EvanAntoniuk说，他是发表在《化学信息与建模杂志》上的一篇论文的主要作者。

聚合物的化学结构通常由数十或数千个重复的化学亚基组成，这种特征称为周期性。以前使用ML预测聚合物特性的方法无法捕获这种扩展的周期性聚合物结构，从而导致预测不准确。

在这项工作中，研究团队开发了一种新方法，用于将聚合物的周期性显式编码到ML模型中。

“这项工作的结果表明，在ML模型中包含周期性可以提高预测聚合物特性的最先进的准确性，”Antoniuk说。

在化学实验室中，通常需要很长时间才能合成和表征新聚合物，然后才能进行测量以获得其特性。但是ML模型几乎可以立即生成属性预测。该研究团队目前正在与LLNL开发人员JoeChavez合作，创建一个交互式网络界面，让任何人都可以访问ML模型。

LLNL科学家兼合著者AnnaHiszpanski说：“这种交互式模型将使聚合物化学家能够立即了解新聚合物材料的特性，从而可以快速测试和迭代聚合物化学中的新概念。”