LLNL研究团队利用聚合物特性数据集开发了创新机器学习

电动悟空摘录 目前，全球生产的聚合物聚合物材料已达数亿吨，可用于绿色化学聚合物、消费品包装、粘合剂、汽车零部件、织物和太阳能电池等巨大而不断增长的应用空间。

(图片来源:劳伦斯利弗莫尔国家实验室)

要找到适合这些应用的聚合物材料，关键是准确预测候选材料的性能。因为在复杂的聚合物3中，定量了解聚合物的化学结构与可观测性之间的关系尤为具有挑战性D化学组装可能包含由数千个原子组成的超长链。

据外国媒体报道，劳伦斯利弗莫尔国家实验室最近（LLNL）研究团队利用数据驱动解决了这个问题。研究人员利用聚合物特性数据集开发了创新机器学习（ML）可以预测10种不同聚合物的特性，比以前的模型更准确。

LLNL博士后Evan Antoniuk说：这种新ML模型成功的秘诀在于一种新的聚合物表达方法。通过这种方法，聚合物的精细结构可以自动学习如何结合强大的图表基机器学习技术来描述聚合物的结构。

聚合物的化学结构通常由数十个或数千个重复的化学亚基组成，称为周期性（periodicity）。以前预测聚合物特性的预测ML扩展周期聚合物结构无法获得方法（extended periodic polymer structure），精度不足。在这项研究中，团队开发了一种方法ML显式编码模型中聚合物的周期性。Antoniuk研究结果表明，在ML周期性包含在模型中，提高了预测聚合物特性的准确性。”

在化学实验室中，合成和表征新聚合物通常需要很长时间，然后才能测量以发现其性能。然而，通过ML模型几乎可以立即预测特征。目前，该团队正在与LLNL开发人员Joe Chavez为了创建互动网络界面，每个人都可以访问机器学习模型。

LLNL研究人员Anna Hiszpanski聚合物化学家可以通过互动模型快速了解新聚合物材料的特性，快速检测聚合物化学的新概念，实现迭代。