機器學習在新聚合物發(fā)現(xiàn)中的成功應用

作為人工智能(AI)如何加速新材料發(fā)現(xiàn)的一個有力例子，科學家設計并驗證了具有高導熱性的聚合物 - 這一特性將成為熱管理的關鍵，例如，在第五階段 - 一代(5G)移動通信技術。他們的研究強調(diào)了機器學習方法相對于傳統(tǒng)的高性能材料搜索方法的巨大優(yōu)勢。

包括Ryo Yoshida(信息與系統(tǒng)研究組織統(tǒng)計數(shù)學研究所[ISM]創(chuàng)意設計與制造數(shù)據(jù)科學中心主任)的聯(lián)合研究小組，Sunko Junko(材料與化學學院教授)技術，東京工業(yè)大學[東京技術])和徐一斌(熱管理和熱電材料集團組長，信息集成材料研究中心，材料數(shù)據(jù)和集成系統(tǒng)研究和服務部[MaDIS]，NIMS)已經(jīng)證明了機器學習(ML)的有希望的應用 - 機器人學習是一種AI，它使計算機能夠從給定的數(shù)據(jù)中“學習” - 用于發(fā)現(xiàn)創(chuàng)新材料。

研究人員在開放獲取期刊npj計算材料中報告了他們的研究結(jié)果，他們的ML方法涉及“轉(zhuǎn)移學習”，即使從極小的數(shù)據(jù)集中也可以發(fā)現(xiàn)具有所需特性的材料。

該研究利用了PoLyInfo的聚合物性能數(shù)據(jù)集，PoLyInfo是世界上最大的NIMS聚合物數(shù)據(jù)庫。盡管尺寸巨大，但PoLyInfo對聚合物的傳熱性能數(shù)據(jù)有限。為了根據(jù)給定的有限數(shù)據(jù)預測傳熱特性，對代理屬性的ML模型進行了預先訓練，其中有足夠的數(shù)據(jù)可用于相關任務; 這些預先訓練的模型捕獲了與目標任務相關的共同特征。即使對于非常小的數(shù)據(jù)集，在目標任務上重新利用這種機器獲取的特征也產(chǎn)生了出色的預測性能，好像經(jīng)驗豐富的人類專家即使對于經(jīng)驗較少的任務也可以做出合理的推理。該團隊將該模型與專門設計的ML算法結(jié)合起來進行計算分子設計，這被稱為先前由吉田和他的同事開發(fā)的iQSPR算法。應用這種技術啟用了識別!

成千上萬有希望的“虛擬”聚合物。

從這大量候選物中，根據(jù)其易于合成和加工選擇了三種聚合物。

測試證實，新型聚合物的導熱系數(shù)高達0.41瓦/米 - 開爾文(W / mK)。這個數(shù)字比典型的聚酰亞胺高80%，聚酰亞胺是一組常用的聚合物，自20世紀50年代以來大量生產(chǎn)用于從燃料電池到炊具的應用。

通過驗證計算設計聚合物的傳熱性能，該研究代表了快速，經(jīng)濟，ML支持的材料設計方法的關鍵突破。它還展示了該團隊在數(shù)據(jù)科學，有機合成和先進測量技術方面的綜合專業(yè)知識。

Yoshida評論說，許多方面仍有待探索，例如通過添加更合適的描述符來“訓練”計算系統(tǒng)以處理有限的數(shù)據(jù)。“聚合物或軟材料設計的機器學習是一個具有挑戰(zhàn)性但前景廣闊的領域，因為這些材料具有與金屬和陶瓷不同的特性，并且現(xiàn)有理論尚未完全預測，”他說。

這項研究是發(fā)現(xiàn)其他創(chuàng)新材料的起點，Morikawa補充道：“我們希望嘗試創(chuàng)建一個ML驅(qū)動的高通量計算系統(tǒng)，為超越5G時代的應用設計下一代軟材料。通過我們的項目，我們的目標不僅是追求材料信息學的發(fā)展，而且還有助于材料科學的基本進步，特別是在聲子工程領域。“

這項工作是作為“信息集成材料研究”計劃(MI 2 I)的一部分進行的，該計劃是由科學技術廳(JST)選擇的開放式創(chuàng)新加速器，作為啟動創(chuàng)新中心的支持計劃，由NIMS實施。