Modell für maschinelles Lernen sagt Polymereigenschaften sofort voraus

Hunderte Millionen Tonnen Polymermaterialien werden weltweit für den Einsatz in einem riesigen und ständig wachsenden Anwendungsbereich mit neuen Materialanforderungen wie umweltfreundliche Chemiepolymere, Verbraucherverpackungen, Klebstoffe, Automobilkomponenten, Stoffe und Solarzellen produziert.

Die Entdeckung geeigneter Polymermaterialien zur Verwendung in diesen Anwendungen liegt jedoch in der genauen Vorhersage der Eigenschaften, die ein Kandidatenmaterial haben wird. Ein quantitatives Verständnis der Beziehung zwischen chemischer Struktur und beobachtbaren Eigenschaften zu erhalten, ist für Polymere aufgrund ihrer komplexen chemischen 3D-Anordnung, die aus extrem langen Ketten von Tausenden von Atomen bestehen kann, eine besondere Herausforderung.

Kürzlich hat sich ein Team von Material- und Informatikern des Lawrence Livermore National Laboratory (LLNL) dieser Herausforderung mit einem datengesteuerten Ansatz gestellt. Durch die Verwendung von Datensätzen von Polymereigenschaften entwickelten die Forscher ein neuartiges Modell für maschinelles Lernen (ML), das 10 verschiedene Polymereigenschaften genauer vorhersagen kann, als dies mit früheren ML-Modellen möglich war.

„Das Erfolgsgeheimnis des neuen ML-Modells liegt in einer neuen Polymerdarstellung, die die Struktur der Polymere kompakt erfasst, in Kombination mit leistungsstarken graphenbasierten maschinellen Lerntechniken, die selbstständig lernen, wie man die Struktur des Polymers am besten beschreibt.“ sagte LLNL-Postdoc Evan Antoniuk, Hauptautor eines Papiers, das im erscheint Zeitschrift für chemische Information und Modellierung.

Die chemische Struktur von Polymeren besteht typischerweise aus zehn oder tausenden sich wiederholender chemischer Untereinheiten, eine Eigenschaft, die als Periodizität bezeichnet wird. Frühere Ansätze zur Vorhersage von Polymereigenschaften mit ML konnten diese ausgedehnte periodische Polymerstruktur nicht erfassen, was zu ungenauen Vorhersagen führte.

In dieser Arbeit entwickelte das Forschungsteam eine neue Methode zur expliziten Codierung der Periodizität des Polymers in das ML-Modell.

„Die Ergebnisse dieser Arbeit zeigen, dass die Einbeziehung der Periodizität in das ML-Modell zu einer hochmodernen Genauigkeit für die Vorhersage von Polymereigenschaften führt“, sagte Antoniuk.

In einem chemischen Labor dauert es oft lange, neue Polymere zu synthetisieren und zu charakterisieren, bevor Messungen durchgeführt werden können, um ihre Eigenschaften zu erhalten. Aber das ML-Modell ist in der Lage, Eigenschaftsvorhersagen fast sofort zu generieren. Das Forschungsteam arbeitet derzeit mit dem LLNL-Entwickler Joe Chavez zusammen, um eine interaktive Webschnittstelle zu erstellen, damit die ML-Modelle für jeden zugänglich sind.

„Dieses interaktive Modell wird es Polymerchemikern ermöglichen, sofort ein Verständnis für die Eigenschaften neuer Polymermaterialien zu erlangen, wodurch neue Konzepte in der Polymerchemie schnell getestet und wiederholt werden können“, sagte LLNL-Wissenschaftlerin und Co-Autorin Anna Hiszpanski.