高分子材料基因組——高分子研發(fā)的新方法
新材料是高新科技和高端制造業(yè)發(fā)展的基石,而工業(yè)技術(shù)的不斷發(fā)展對(duì)材料性能提出了越來(lái)越高的要求. 但是,新材料的研發(fā)往往滯后,無(wú)法及時(shí)滿足應(yīng)用要求. 為了加快材料研發(fā),結(jié)合現(xiàn)有的實(shí)踐經(jīng)驗(yàn),2011年,研究者提出了新的材料研發(fā)模式——材料基因組. 我國(guó)科技部于2015年啟動(dòng)了“材料基因工程關(guān)鍵技術(shù)與支撐平臺(tái)”,重點(diǎn)扶持材料基因組的研究[
截至目前,材料科學(xué)研究先后經(jīng)歷了經(jīng)驗(yàn)驅(qū)動(dòng)、理論驅(qū)動(dòng)、計(jì)算驅(qū)動(dòng)和大數(shù)據(jù)驅(qū)動(dòng)等4種范式,如
Fig. 1 The four paradigms of science: empirical, theoretical, computational, and data-driven.
與實(shí)驗(yàn)試錯(cuò)法不同,材料基因組的研發(fā)模式通過(guò)“數(shù)據(jù)技術(shù)-理性設(shè)計(jì)-實(shí)驗(yàn)驗(yàn)證”有機(jī)結(jié)合,顯著提高新材料研發(fā)效率. 其中,材料的理性設(shè)計(jì)是研發(fā)新材料的關(guān)鍵,也是研究者著重關(guān)注的領(lǐng)域. 相較于基于研究者經(jīng)驗(yàn)和直覺(jué)的傳統(tǒng)實(shí)驗(yàn)試錯(cuò)法,基于材料基因組思想的理性設(shè)計(jì)通過(guò)結(jié)合各種性能預(yù)測(cè)方法和仿真模擬,能更快速地探索更廣闊的材料結(jié)構(gòu)空間并以定量的方式比較不同材料的性能,從而無(wú)偏見(jiàn)地篩選出未曾被發(fā)現(xiàn)或被人忽視的結(jié)構(gòu). 基于材料基因組思想的理性設(shè)計(jì)和實(shí)驗(yàn)驗(yàn)證由3部分組成(如
Fig. 2 Procedures developed for the design and screening.
“基因”的定義與所研究的材料的特點(diǎn)緊密相連,是整個(gè)材料基因組的基礎(chǔ),“基因”的選擇與后續(xù)合成的便宜性密切相關(guān).性能預(yù)測(cè)與高通量篩選則是整個(gè)理性設(shè)計(jì)過(guò)程中的核心和關(guān)鍵. 對(duì)“虛擬材料”的高通量性能預(yù)測(cè)(表征)目前大致分為4種方法:(1)通過(guò)數(shù)據(jù)挖掘?qū)ふ夷艽硇阅艿奶卣髁?,或者通過(guò)機(jī)器學(xué)習(xí)構(gòu)建預(yù)測(cè)模型. (2)發(fā)展多尺度的模擬方法,從分子結(jié)構(gòu)出發(fā)預(yù)測(cè)材料性能. (3)基于新興計(jì)算機(jī)技術(shù),如GPU(圖形處理器)和NPU(嵌入式神經(jīng)網(wǎng)絡(luò)處理器)提升運(yùn)算能力,獲得高通量模擬計(jì)算方法. (4)發(fā)展高通量實(shí)驗(yàn)技術(shù),研發(fā)高通量實(shí)驗(yàn)設(shè)備,實(shí)現(xiàn)對(duì)材料的高通量合成和表征.
雖然目前已有很多成熟方法能夠模擬特定尺度上材料的結(jié)構(gòu)和性能,但由于材料在不同尺度上的關(guān)聯(lián)并不明確,構(gòu)建多尺度模擬方法仍然是一個(gè)巨大挑戰(zhàn). 高通量實(shí)驗(yàn)涵蓋高通量制備技術(shù)和高通量表征技術(shù),是對(duì)已有實(shí)驗(yàn)技術(shù)和表征手段加以改進(jìn)和利用,實(shí)現(xiàn)一次性批量樣品制備和一次性批量樣品表征. 它不僅可以突破傳統(tǒng)試錯(cuò)法研究框架,實(shí)現(xiàn)材料高效制備,而且可以短時(shí)間內(nèi)獲取大量實(shí)驗(yàn)樣品并表征性能,為數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)提供數(shù)據(jù)支撐. 自1970年Hanak采用多成分拼接共濺射方法制備二元和三元超導(dǎo)材料后,高通量制備技術(shù)快速發(fā)展,但主要集中在金屬領(lǐng)域[
材料基因組已經(jīng)成功應(yīng)用在高性能合金材料[
本文將介紹性能預(yù)測(cè)方法之一——“通過(guò)數(shù)據(jù)挖掘?qū)ふ夷艽硇阅艿奶卣髁炕驒C(jī)器學(xué)習(xí)構(gòu)建預(yù)測(cè)模型”在突破高分子復(fù)雜性對(duì)材料基因組約束,實(shí)現(xiàn)理性設(shè)計(jì)高分子材料上的進(jìn)展. 本文分3部分,前兩部分分別介紹利用代理量方法和機(jī)器學(xué)習(xí)模型篩選高分子材料的進(jìn)展,最后探討高分子材料基因組的主要發(fā)展方向和所面臨的主要挑戰(zhàn).
1 利用代理量方法篩選高分子材料
從理論計(jì)算和模擬出發(fā),直接構(gòu)建材料結(jié)構(gòu)和宏觀性能之間的構(gòu)效關(guān)系仍然是一個(gè)巨大的挑戰(zhàn). 基于此困境,提取能代表所需性能/性質(zhì)的、可計(jì)算的微觀或宏觀特征量作為性能代理量,將無(wú)法通過(guò)理論計(jì)算獲得準(zhǔn)確值的宏觀性能轉(zhuǎn)化為可計(jì)算的代理量,并通過(guò)代理量的比較來(lái)篩選獲得高性能高分子材料不失為一種合理的策略.
例如:隨著工業(yè)不斷發(fā)展,對(duì)高能量密度電容器的需求越來(lái)越旺盛,對(duì)電介質(zhì)材料的性能要求也越來(lái)越高. 相較于陶瓷材料,高分子材料成本更低,柔韌性更好,已成為廣泛使用的商用電介質(zhì)材料. 然而,高分子材料的介電常數(shù)較小,仍有改進(jìn)的空間. Ramprasad等用密度泛函理論(DFT)容易計(jì)算的高分子帶隙替代難以計(jì)算的擊穿電壓和介電損耗,并以密度泛函微擾理論(DFPT)和等效介質(zhì)理論計(jì)算獲得的理論介電常數(shù)替換宏觀介電常數(shù),篩選高分子電介質(zhì)材料 [
此外,Ramprasad等利用相同策略[
Zhu等開(kāi)展了含硅芳炔樹脂(PSA)方面的設(shè)計(jì)工作[
Fig. 3 Screening approach for the rapid design of heat-resistant silicon-containing arylacetylene resins (Reprinted with permission from Ref.[
除了固化放熱焓,PSA韌性欠佳的缺點(diǎn)也限制了PSA的進(jìn)一步應(yīng)用[
Fig. 4 (a) Plots of elongation at break (red circles) and flexural strength (blue squares) against K/G. Heat maps of (b) Td50 values, (c) K/G values, and (d) weighted-average values for various gene combinations. The colors from purple to red correspond to the values from low to high. In (d), the shadow rectangle circled by a black dotted line represents the screened ATPI. (e) Molecular structure of the screened ATPI. (Reprinted with permission from Ref.?[31]; Copyright (2020) American Chemical Society).
除了設(shè)計(jì)用于增韌的PI樹脂,張宋奇等還利用材料基因組概念提出了用于篩選耐熱且易加工的熱固性PI樹脂材料的策略[
Example | Key points | Ref. |
---|---|---|
1 | Use band gap and dielectric constant that are calculated by DFT to represent dielectric properties. | [ |
2 | Find the potential of organo-Ge and organo-Sn based polymers which are neglected. | [ |
3 | Use bond dissociation energy and energy bandgap which are calculated by DFT to represent thermal properties and curing properties. | [ |
4 | Use Td50 and K/G which are calculated by the molecular connectivity index to represent thermal properties and toughness. | [ |
5 | Use Td50, energy bandgap, and viscosity that are calculated by the molecular connectivity index and DFT to represent thermal properties, reaction activity, and processability. | [ |
2 利用機(jī)器學(xué)習(xí)模型篩選高分子材料
作為多門學(xué)科相互交叉結(jié)合的產(chǎn)物,高分子材料基因組不僅需要材料領(lǐng)域的科研人員,也需要信息學(xué)領(lǐng)域的研究人員參與. 作為信息學(xué)中的一個(gè)重要分支,機(jī)器學(xué)習(xí)試圖從歷史數(shù)據(jù)中挖掘潛在規(guī)律,并對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)、推斷或分類,是滿足材料基因組對(duì)預(yù)測(cè)性能和高通量篩選需求的另一途徑[
雖然研究者已利用代理量法發(fā)掘不少具有潛力的新型高分子材料,但為了更快地獲取高分子的帶隙和介電常數(shù),Ramprasad等基于DFT計(jì)算的帶隙和介電常數(shù),構(gòu)建了通過(guò)輸入高分子結(jié)構(gòu)預(yù)測(cè)帶隙和介電常數(shù)的機(jī)器學(xué)習(xí)模型[
Fig. 5 (a) The steps involved in the genetic algorithm (GA) approach leading to direct design of polymers. (b) The exponential increase in total polymer possibilities for increasing number of repeating blocks, and the simultaneous decrease in the percentage of points to be explored till success. Also shown are one optimal polymer each for each case for a target dielectric constant and bandgap of 5 and 5 eV, respectively. (Reprinted with permission from Ref.?[43]; Copyright (2016) Nature Publishing Group).
在設(shè)計(jì)固態(tài)高分子電解質(zhì)方面,Wang等提出了將粗?;疢D與機(jī)器學(xué)習(xí)結(jié)合的策略[
Fig. 6 Illustration of the coarse-grained molecular dynamics―Bayesian optimization (CGMD-BO) framework. Materials design starts with the coarse-graining process to transform the conventional chemical species space to a continuous space composed of CG parameters (①→②). This space is then explored by BO-guided CGMD simulations in iterations to predict the relationships between the transport properties and the associated CG parameters (②→③). (Reprinted with permission from Ref.?[45]; Copyright (2020) American Chemical Society).
Oyaizu等則在設(shè)計(jì)固態(tài)高分子電解質(zhì)方面采取了更傳統(tǒng)的機(jī)器學(xué)習(xí)策略[
Fig. 7 Scheme for predicting properties of the solid polymer electrolytes by AI. Oyaizu pretrained graph neural net to predict 2000 molecular descriptors with only 32-dimensional vectors. And then the relationship between the composite information (32-dimensional vectors) and its conductivity was trained by a Gaussian process model. (Reprinted with permission from Ref.?[46]; Copyright (2020) American Chemical Society).
環(huán)氧樹脂因其巨大的商業(yè)價(jià)值而備受關(guān)注[
高分子膜是膜分離領(lǐng)域被廣泛研究和使用的材料[
Fig. 8 (a) Polymer candidates for advanced CO2/CH4 gas transport performance identified through ML and their experimental performance. The predicted locations for two potential high-performance polymers are marked with colored crosses?―?the measured experimental values are denoted with colored dots. (b) Molecular structures of two potential high-performance polymers. (Reprinted with permission from Ref.[
Li等為了獲得性能更優(yōu)異的高分子燃料電池用高分子質(zhì)子交換膜材料,從約2800篇關(guān)于磺化質(zhì)子交換膜的報(bào)道中挖掘數(shù)據(jù),記錄或計(jì)算了描述磺化質(zhì)子交換膜的各項(xiàng)特征(如親水單體的比例、相對(duì)濕度、離子交換能力、測(cè)試溫度、各類分子描述符等) [
之后,Li等將研究焦點(diǎn)擴(kuò)展到高分子過(guò)濾膜性能的預(yù)測(cè)和分類[
Zubarev等提出了一種反向設(shè)計(jì)聚酯和聚碳酸酯的方法,即將高分子性能反向映射到高分子結(jié)構(gòu)上形成一對(duì)多的映射方式,直接通過(guò)所需性能要求找到所有符合要求的高分子及其合成條件[
Fig. 9 Transformation of the "experiment knowledge graph" (eKG) into a network that links prediction via representation learning. (a) Simplified resource description framework (RDF) graph where the nodes of the experimental parameters (objects) are collapsed forming bundles and the categorical value of the measured property is treated as a subject. The same procedure applies to MC (shown) and ? (not shown). (b) RDF triples are transformed into a bipartite graph, where nodes representing bundled experimental parameters (RDF objects) are directly connected to each other via a link; the value of the measured property (RDF subject) is assigned to the link as an attribute. (c) A RDF graph constructed from the relational database of the experimental parameters and outcomes (not shown). Continuous experimental parameters and measured properties are converted into categorical values via binning. Dashed outlines show the patterns of node collapse. (Reprinted with permission from Ref.[
Zubarev等還探究了建立小數(shù)據(jù)預(yù)測(cè)模型的方法[
Example | Key points | Ref. |
---|---|---|
1 | The train set is calculated by DFT. However, bandgap and dielectric constant are predicted by the machine learning predictive model instead of DFT. | [ |
2 | Integrate coarse-grained molecular dynamics with machine learning. | [ |
3 | The chemical design screened by AI is contrary to the common sense of rubbery polymer electrolytes. | [ |
4 | The train set is calculated by fully atomistic molecular dynamics simulation. However, the performance of epoxy resin is predicted by machine learning models instead of simulation. | [ |
5 | Two of the most promising polymer membranes predicted by this machine learning model exceeded the upper bound for CO2/CH4 separation performance. | [ |
6 | Find 2838 novel copolymers that have better overall performance than Nafion 117 for fully hydrated membranes at 80 ℃ by machine learning models. | [ |
7 | Provide regression models to facilitate the development of advanced filtration membranes for public use. | [ |
8 | Use machine learning models to predict polymerization experiments that are likely to produce materials with targeted properties rather than predict the properties of polymers. | [ |
9 | Train machine learning models by small data. | [ |
運(yùn)用機(jī)器學(xué)習(xí)模型篩選高分子材料具有預(yù)測(cè)準(zhǔn)確度高,預(yù)測(cè)過(guò)程方便快捷,方法泛用性強(qiáng),無(wú)偏見(jiàn)等優(yōu)點(diǎn). 這些優(yōu)勢(shì)完美契合材料基因組對(duì)材料設(shè)計(jì)篩選過(guò)程中的需求. 想要獲得可靠且準(zhǔn)確的機(jī)器學(xué)習(xí)模型,必須依賴可靠、完備且龐大的數(shù)據(jù),然而高分子的實(shí)驗(yàn)數(shù)據(jù)來(lái)源分散、測(cè)試參數(shù)各異、性能種類不完備,這導(dǎo)致研究者在所研究的高分子領(lǐng)域中有較大可能遇到可靠數(shù)據(jù)規(guī)模較小的不利情況. 由此可見(jiàn),高分子數(shù)據(jù)質(zhì)量參差不齊已成為機(jī)器學(xué)習(xí)方法在高分子材料基因組中應(yīng)用的最大障礙. 目前,相關(guān)的研究往往需要研究者手動(dòng)收集文獻(xiàn)和公開(kāi)數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)數(shù)據(jù),當(dāng)面對(duì)實(shí)驗(yàn)數(shù)據(jù)較為稀少的材料性能和材料類別時(shí)需要研究者運(yùn)用DFT、MD模擬等方法計(jì)算大量該材料的理論數(shù)據(jù),將其作為進(jìn)一步機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù).
機(jī)器學(xué)習(xí)在高分子材料基因組中雖然已有個(gè)別應(yīng)用,但整體上仍然停留在構(gòu)建適用于高分子領(lǐng)域的機(jī)器學(xué)習(xí)階段. 例如:Olsen等在已有的SMILES基礎(chǔ)上開(kāi)發(fā)了專為描述高分子結(jié)構(gòu)的表達(dá)系統(tǒng)(BigSMILES) [
3 總結(jié)與展望
3.1 高分子材料基因組現(xiàn)狀和挑戰(zhàn)
在高分子領(lǐng)域,運(yùn)用材料基因組設(shè)計(jì)篩選新型高分子材料仍然是前沿領(lǐng)域,有待科研人員進(jìn)一步探索和完善. 隨著理論和技術(shù)的進(jìn)步,通過(guò)計(jì)算機(jī)提前預(yù)測(cè)高分子的各項(xiàng)性能已成為可能. 材料基因組合與高分子理論、計(jì)算模擬技術(shù)和基于數(shù)據(jù)驅(qū)動(dòng)的人工智能等相結(jié)合,高通量設(shè)計(jì)篩選新型高分子材料的材料研發(fā)方式已取得初步成效. 特別是在面對(duì)2種或2種以上相互制約彼此矛盾的性能時(shí),相較于傳統(tǒng)實(shí)驗(yàn)試錯(cuò)法,基于材料基因組的高分子材料設(shè)計(jì)篩選在成本和時(shí)間上凸顯優(yōu)勢(shì).
高分子材料基因組仍然處于起步階段,有很多問(wèn)題亟待解決. 目前,在面對(duì)難以計(jì)算或預(yù)測(cè)的宏觀性能時(shí),往往用易于計(jì)算的特征量替代高代價(jià)的宏觀性能計(jì)算,但這種策略在一定程度上降低了結(jié)果的準(zhǔn)確性. 此外,雖然無(wú)論是第一性原理密度泛函理論還是分子動(dòng)力學(xué)模擬,其計(jì)算代理量所消耗的時(shí)間都遠(yuǎn)小于實(shí)驗(yàn)合成、表征所需時(shí)間,但是當(dāng)面對(duì)海量高分子代理量計(jì)算需求時(shí),時(shí)間成本仍是限制研究者進(jìn)一步探索更大化學(xué)結(jié)構(gòu)空間的主要原因.
一旦機(jī)器學(xué)習(xí)預(yù)測(cè)模型訓(xùn)練完成,利用預(yù)測(cè)模型進(jìn)行材料特征量或性能的預(yù)測(cè)是一條耗時(shí)短、結(jié)果準(zhǔn)確的途徑. 但這條途徑中最大問(wèn)題是如何為機(jī)器學(xué)習(xí)預(yù)測(cè)模型的訓(xùn)練提供來(lái)源可靠且數(shù)據(jù)量足夠大的高質(zhì)量數(shù)據(jù)集. 由于高分子材料的分子結(jié)構(gòu)、聚集態(tài)結(jié)構(gòu)、加工方式和測(cè)試條件的不同都將影響材料性能,而文獻(xiàn)中的數(shù)據(jù)質(zhì)量參差不齊,個(gè)別數(shù)據(jù)甚至存在空缺,因此用于機(jī)器學(xué)習(xí)的高分子材料性能數(shù)據(jù)庫(kù)往往難以得到格式統(tǒng)一且量大、可靠的性能數(shù)據(jù). 這種可靠數(shù)據(jù)的匱乏阻礙了機(jī)器學(xué)習(xí)模型準(zhǔn)確性和泛化能力的提升.
此外,由于高分子材料基因組所能探索的結(jié)構(gòu)空間遠(yuǎn)大于已有的實(shí)驗(yàn)合成經(jīng)驗(yàn)空間,容易篩選出難以合成的高分子結(jié)構(gòu). 因此,在理性設(shè)計(jì)過(guò)程中,需要進(jìn)一步考慮合成的便宜性,優(yōu)化篩選條件并與已有的實(shí)驗(yàn)合成經(jīng)驗(yàn)有機(jī)結(jié)合,或者創(chuàng)建基于機(jī)器學(xué)習(xí)的高分子合成路徑預(yù)測(cè)方法,在篩選出高分子結(jié)構(gòu)的同時(shí)預(yù)測(cè)合理的合成路徑.
3.2 高分子材料基因組對(duì)高分子領(lǐng)域的反哺
高分子材料基因組不僅提出了高效的高分子材料研發(fā)新模式,而且對(duì)傳統(tǒng)高分子科學(xué)的認(rèn)知和材料基因組的擴(kuò)展具備重要的意義.
在利用高分子材料基因組挖掘優(yōu)秀新型材料的過(guò)程中,對(duì)篩選結(jié)果進(jìn)行“基因分析”即可獲得“基因”(通常為基團(tuán)或原子)與宏觀性能之間的關(guān)系. 這些或正相關(guān)、或負(fù)相關(guān)的關(guān)系既能充實(shí)高分子領(lǐng)域第一范式,提高實(shí)驗(yàn)試錯(cuò)法的效率,又能加深對(duì)高分子化學(xué)結(jié)構(gòu)和宏觀性能關(guān)系的認(rèn)識(shí).
除了對(duì)篩選結(jié)構(gòu)“基因”分析外,機(jī)器學(xué)習(xí)本身也可能為我們帶來(lái)新的認(rèn)知. 在高分子材料基因組中,利用機(jī)器學(xué)習(xí)模型預(yù)測(cè)高分子性能本質(zhì)上是一個(gè)以數(shù)學(xué)角度而非化學(xué)角度出發(fā),以唯象的方式預(yù)測(cè)高分子性能的“黑匣子”. 這種“黑匣子”過(guò)程由于不受已有的高分子理論的束縛,最終可能篩選獲得違背已有認(rèn)知的“反?!备叻肿咏Y(jié)構(gòu). 這些被篩選出的高性能“反?!苯Y(jié)構(gòu)有可能成為高分子理論新的突破口. 另一方面,利用物理學(xué)等專業(yè)知識(shí)對(duì)機(jī)器學(xué)習(xí)(特別是深度學(xué)習(xí))的“黑匣子”過(guò)程進(jìn)行解釋性研究,理清“黑匣子”內(nèi)部運(yùn)作的因果關(guān)系,有助于理解性能變化的規(guī)律[
高分子材料基因組的發(fā)展不僅對(duì)高分子領(lǐng)域有重要意義,對(duì)于材料基因組這一新的材料研發(fā)模式也具備重要意義. 高分子領(lǐng)域具有眾多金屬、無(wú)機(jī)非金屬和有機(jī)小分子領(lǐng)域沒(méi)有的特征,如高分子鏈結(jié)構(gòu)、鏈構(gòu)象、多分散性、高分子結(jié)晶特征、高分子微相結(jié)構(gòu)和亞穩(wěn)態(tài)結(jié)構(gòu)等,目前對(duì)高分子材料基因組的研究仍未達(dá)到能全面包含這些特性的階段,因此進(jìn)一步發(fā)展高分子材料基因組將有效拓展材料基因組的應(yīng)用范圍,是對(duì)現(xiàn)有材料基因組的有益補(bǔ)充和拓展.
3.3 高分子材料基因組的發(fā)展方向
根據(jù)當(dāng)前材料基因組在高分子材料方面的發(fā)展情況,我們展望了未來(lái)的發(fā)展重點(diǎn).
(1) 實(shí)現(xiàn)高通量實(shí)驗(yàn):通過(guò)高通量實(shí)驗(yàn)一次性獲得批量樣品將是一條行之有效且極具潛力的篩選途徑. 不同于利用計(jì)算機(jī)“虛擬合成與表征材料”的特征代理量篩選法和機(jī)器學(xué)習(xí)法,利用高通量實(shí)驗(yàn)設(shè)備在短時(shí)間內(nèi)合成大批量的高分子,并利用高通量表征技術(shù)快速便捷地獲得所有高分子性能數(shù)據(jù)的高通量實(shí)驗(yàn)法不僅能從數(shù)量龐大的高分子結(jié)構(gòu)中篩選出符合性能要求的新型材料,而且能為機(jī)器學(xué)習(xí)提供大量可靠的實(shí)驗(yàn)數(shù)據(jù). 高通量制備技術(shù)已在金屬領(lǐng)域取得了系統(tǒng)性的發(fā)展,但在高分子領(lǐng)域還比較零散、不成體系. 目前,已報(bào)道的高通量高分子合成方法如自動(dòng)并行合成器、微波合成器和噴墨打印機(jī)等. Ehm等成功利用商業(yè)化的自動(dòng)并行合成器——平行壓力反應(yīng)器48(PPR48)實(shí)現(xiàn)烯烴聚合催化劑的高通量篩選[
(2) 進(jìn)一步發(fā)展特征量代替宏觀性能的策略:一方面尋找更多能代理宏觀性能的特征量,從而將更多宏觀性能納入高分子材料基因組的適用范圍內(nèi),如耐溶劑性、耐磨性、抗沖擊性、相容性等等;另一方面引入更快速、便捷的方法計(jì)算特征量,例如基團(tuán)貢獻(xiàn)法、分子連接指數(shù)法和機(jī)器學(xué)習(xí)等等.
(3) 進(jìn)一步發(fā)展包含性能更廣且預(yù)測(cè)更準(zhǔn)確的高分子材料宏觀性能機(jī)器學(xué)習(xí)預(yù)測(cè)模型:目前,機(jī)器學(xué)習(xí)預(yù)測(cè)模型往往只針對(duì)特定類型高分子的特定性能,而限制機(jī)器學(xué)習(xí)在高分子材料基因組中更廣泛應(yīng)用的是可靠數(shù)據(jù)的匱乏. 因此,通過(guò)建立完善規(guī)范的高分子材料性能數(shù)據(jù)庫(kù)擴(kuò)大有效數(shù)據(jù)量或發(fā)展利用小數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)的策略,從而建立能預(yù)測(cè)更多性能且更準(zhǔn)確的性能預(yù)測(cè)模型將是機(jī)器學(xué)習(xí)在高分子材料基因組中未來(lái)發(fā)展的方向.
(4) 發(fā)展基于機(jī)器學(xué)習(xí)高分子逆向設(shè)計(jì)策略:與正向設(shè)計(jì)將材料結(jié)構(gòu)參數(shù)映射到性能上獲得性能預(yù)測(cè)模型不同,逆向設(shè)計(jì)是將材料的性能映射到材料結(jié)構(gòu)參數(shù)上獲得逆向模型. 在實(shí)際的材料設(shè)計(jì)和工程應(yīng)用環(huán)節(jié),最重要的是滿足工程對(duì)材料性能的要求. 因此,相較于正向設(shè)計(jì),逆向設(shè)計(jì)作為從性能出發(fā)獲得材料結(jié)構(gòu)的面向性能的設(shè)計(jì)更適合于工程領(lǐng)域.
欄目分類
- 1網(wǎng)絡(luò)直播現(xiàn)狀及前景探究
- 2淺析電影《我的父親母親》視聽(tīng)語(yǔ)言特色——影視文學(xué)
- 3中美貿(mào)易戰(zhàn)的發(fā)展和應(yīng)對(duì)
- 4論微信傳播的特點(diǎn)
- 5企業(yè)如何進(jìn)行危機(jī)公關(guān)——以三星Galaxy note7爆炸門事件為例
- 6淺析網(wǎng)絡(luò)暴力的社會(huì)危害及防治對(duì)策
- 7聚酮類化合物研究進(jìn)展
- 8淺析《極限挑戰(zhàn)》的節(jié)目特色及啟示
- 9《楚門的世界》的多重隱喻解讀
- 10體育產(chǎn)業(yè)發(fā)展中存在的問(wèn)題及建議
- 游戲教學(xué)法在網(wǎng)球教學(xué)中的應(yīng)用
- 心理素質(zhì)在網(wǎng)球比賽中的作用
- 綠色科技視角下企業(yè)環(huán)境績(jī)效指標(biāo)體系構(gòu)建
- 節(jié)約型基礎(chǔ)上的綠色財(cái)政稅收政策研究
- 財(cái)政投資項(xiàng)目竣工決算存在的問(wèn)題及對(duì)策
- 基于精細(xì)化管理視域探析公立醫(yī)院成本管控優(yōu)化策略
- 農(nóng)村信用社在金融市場(chǎng)中的營(yíng)銷技巧探究
- 實(shí)現(xiàn)我國(guó)糧食增產(chǎn)增收的財(cái)稅政策分析
- 離子色譜法同時(shí)測(cè)定卷煙紙中幾種金屬離子的含量
- IC厭氧反應(yīng)器處理造紙廢水效率的時(shí)間分布特征研究
- 2025年中科院分區(qū)表已公布!Scientific Reports降至三區(qū)
- 2023JCR影響因子正式公布!
- 國(guó)內(nèi)核心期刊分級(jí)情況概覽及說(shuō)明!本篇適用人群:需要發(fā)南核、北核、CSCD、科核、AMI、SCD、RCCSE期刊的學(xué)者
- 我用了一個(gè)很復(fù)雜的圖,幫你們解釋下“23版最新北大核心目錄有效期問(wèn)題”。
- CSSCI官方早就公布了最新南核目錄,有心的人已經(jīng)拿到并且投入使用!附南核目錄新增期刊!
- 北大核心期刊目錄換屆,我們應(yīng)該熟知的10個(gè)知識(shí)點(diǎn)。
- 注意,最新期刊論文格式標(biāo)準(zhǔn)已發(fā)布,論文寫作規(guī)則發(fā)生重大變化!文字版GB/T 7713.2—2022 學(xué)術(shù)論文編寫規(guī)則
- 盤點(diǎn)那些評(píng)職稱超管用的資源,1,3和5已經(jīng)“絕種”了
- 職稱話題| 為什么黨校更認(rèn)可省市級(jí)黨報(bào)?是否有什么說(shuō)據(jù)?還有哪些機(jī)構(gòu)認(rèn)可黨報(bào)?
- 《農(nóng)業(yè)經(jīng)濟(jì)》論文投稿解析,難度指數(shù)四顆星,附好發(fā)選題!