Succesfuld anvendelse af maskinlæring i opdagelsen af ​​nye polymerer

En fælles forskergruppe, herunder Ryo Yoshida (professor og direktør for Data Science Center for Creative Design and Manufacturing ved Institute of Statistical Mathematics [ISM], Forskningsorganisation af information og systemer), Junko Morikawa (professor ved School of Materials and Chemical Technology, Tokyo Institute of Technology [Tokyo Tech]), og Yibin Xu (Gruppeleder af Thermal Management and Thermoelectric Materials Group, Center for Materialeforskning ved Information Integration, Forsknings- og serviceafdelingen for materialedata og integreret system [MaDIS], NIMS) har demonstreret den lovende anvendelse af maskinlæring (ML) - en form for kunstig intelligens, der gør computere i stand til at "lære" fra givne data - til at opdage innovative materialer.

Rapportering af deres resultater i open-access-journalen npj Beregningsmaterialer , forskerne viser, at deres ML-metode, involverer "overførsel af læring, " muliggør opdagelse af materialer med ønskede egenskaber, selv fra et meget lille datasæt.

Undersøgelsen trak på et datasæt af polymere egenskaber fra PoLyInfo, den største database over polymerer i verden, der ligger hos NIMS. På trods af sin størrelse, PoLyInfo har en begrænset mængde data om polymerers varmeoverførselsegenskaber. For at forudsige varmeoverførselsegenskaberne ud fra de givne begrænsede data, ML-modeller på proxy-egenskaber blev fortrænet, hvor tilstrækkelige data var tilgængelige om de relaterede opgaver; disse fortrænede modeller fangede fællestræk, der var relevante for målopgaven. Genanvendelse af disse typer af maskinerhvervede funktioner på målopgaven gav enestående forudsigelsesydelse selv med overordentlig små datasæt - ikke ulig arbejdet fra meget erfarne menneskelige eksperter med hensyn til rationelle slutninger selv for betydeligt mindre erfarne opgaver. Holdet kombinerede denne model med en specielt designet ML-algoritme til beregningsmæssigt molekylært design, som kaldes iQSPR-algoritmen tidligere udviklet af Yoshida og hans kolleger. Anvendelse af denne teknik muliggjorde identifikation af tusindvis af lovende "virtuelle" polymerer.

Fra denne store pulje af kandidater, tre polymerer blev udvalgt baseret på deres lette syntese og forarbejdning. Tests bekræftede, at de nye polymerer har en høj varmeledningsevne på op til 0,41 Watt pr. meter-Kelvin (W/mK). Dette tal er 80 procent højere end for typiske polyimider, en gruppe af almindeligt anvendte polymerer, der er blevet masseproduceret siden 1950'erne til anvendelser lige fra brændselsceller til køkkengrej.

Ved at verificere varmeoverførselsegenskaberne for de beregningsmæssigt designede polymerer, undersøgelsen repræsenterer et vigtigt gennembrud for hurtige, omkostningseffektiv, ML-understøttede metoder til materialedesign. Det viser også holdets kombinerede ekspertise inden for datavidenskab, organisk syntese og avancerede måleteknologier.

Yoshida kommenterer, at mange aspekter mangler at blive udforsket, såsom at "træne" beregningssystemer til at arbejde med begrænsede data ved at tilføje mere passende deskriptorer. "Maskinlæring til polymer- eller blødt materialedesign er et udfordrende, men lovende område, da disse materialer har egenskaber, der adskiller sig fra metaller og keramik, og er endnu ikke helt forudsagt af de eksisterende teorier, " han siger.

Undersøgelsen er et udgangspunkt for opdagelsen af ​​andre innovative materialer, som Morikawa tilføjer:"Vi vil gerne prøve at skabe et ML-drevet high-throughput beregningssystem til at designe næste generations bløde materialer til applikationer, der går ud over 5G-æraen. Gennem vores projekt, vi sigter mod at forfølge ikke kun udviklingen af ​​materialeinformatik, men også bidrage til grundlæggende fremskridt inden for materialevidenskab, især inden for fononteknik."