借助透明的机器学习工具工程师可加速聚合物发现

利用预测的力量，威斯康星大学麦迪逊分校的机械工程师在8万候选聚合物中迅速发现了几种有前途的高性能聚合物。

航空航天、汽车和电子工业将这些聚合物(称为聚酰亚胺)用于各种应用，因为它们具有出色的机械和热性能，包括强度、刚度和耐热性。

目前，现有的聚酰亚胺数量有限，因为设计它们的过程既昂贵又耗时。

然而，凭借其数据驱动的设计框架，威斯康星大学麦迪逊分校的工程师利用机器学习预测和分子动力学模拟来显着加快发现具有更好性能的新聚酰亚胺。

该团队在本月发表在《化学工程杂志》上的一篇论文中详细介绍了其方法。

“我们的研究结果对材料科学领域具有广泛的影响，并将激发进一步的研究，以开发先进的数据驱动材料发现技术，”领导这项研究的威斯康星大学麦迪逊分校机械工程副教授李颖说。“与传统的试错法相比，我们的设计策略效率更高，也可以应用于其他聚合物材料的分子设计。

聚酰亚胺是通过二酐和二胺/二异氰酸酯分子的缩合反应产生的。在他们的研究中，工程师首先收集了所有现有二酐和二胺/二异氰酸酯分子化学结构的开源数据，然后利用这些数据建立了一个包含8万个假设聚酰亚胺的综合库。

“这有点像用乐高积木建造一些东西，”李说。“你有基本的构建块-一大堆不同的二酐和二胺/二异氰酸酯分子。你可以尝试手工建造所有可能的结构，但这需要很长时间，因为各种组合是巨大的。

因此，李和他的同事们使用计算机将构建块组合在一起，这使他们能够将所有可能的组合组织成一个巨大的数据库。

在手头的数据库中，该团队根据实验报告的值为聚酰亚胺的热性能和机械性能创建了多个机器学习模型。使用各种机器学习技术，研究人员确定了对确定个体属性最重要的化学子结构。

“我们采用了基本上解释我们的机器学习模型如何行为的技术，所以我们的模型不是一个黑匣子，”李说。“我们已经建立了一个透明的盒子，让人类专家能够立即理解机器学习模型做出某个决定的原因。

应用他们训练有素的机器学习模型，研究人员获得了对8万种假设聚酰亚胺特性的预测。然后，他们筛选了整个数据集，并确定了三种最佳假设聚酰亚胺，其组合性能优于现有聚酰亚胺。

他们还检查了他们的工作：研究人员为他们的前三名候选人建立了全原子模型，并进行分子动力学模拟以计算关键的热特性。

“分子动力学模拟与机器学习模型的预测非常一致，因此我们相信我们的预测非常可靠，”李说。“此外，模拟表明，这些新的聚酰亚胺很容易合成。

作为最终的验证方法，该团队制造了一种新的聚酰亚胺，并进行了实验，证明了该材料出色的耐热性。他们的实验结果表明，新的聚酰亚胺在开始降解之前可以承受大约1，022华氏度的温度-这一结果与他们的机器学习预测一致。

相比之下，现有的聚酰亚胺只能承受392至572华氏度的温度。研究人员还创建了一个基于网络的应用程序，允许用户通过交互式可视化探索新的高性能聚酰亚胺。