Maschinelles Lernen nutzt Röntgenbeugungsdaten von Polymeren, um das Verhalten neuer Materialien vorherzusagen

Polymere wie Polypropylen sind grundlegende Materialien in der modernen Welt und finden sich in allem, von Computern bis hin zu Autos. Aufgrund ihrer Allgegenwärtigkeit ist es für Materialwissenschaftler von entscheidender Bedeutung, genau zu wissen, wie sich jedes neu entwickelte Polymer unter verschiedenen Herstellungsbedingungen verhält. Wie in einer neuen Studie beschrieben, die veröffentlicht In Wissenschaft und Technologie fortschrittlicher Materialienkönnen Wissenschaftler nun maschinelles Lernen nutzen, um festzustellen, was von einem neuen Polymer zu erwarten ist.

Um die mechanischen Eigenschaften neuer Polymere wie ihre Zugfestigkeit oder Flexibilität vorherzusagen, müssen sie normalerweise zerstörenden und kostspieligen physikalischen Tests unterzogen werden. Ein Forscherteam aus Japan unter der Leitung von Dr. Ryo Tamura, Dr. Kenji Nagata und Dr. Takashi Nakanishi vom National Institute for Materials Science in Tsukuba zeigte jedoch, dass maschinelles Lernen die Materialeigenschaften von Polymeren vorhersagen kann.

Sie entwickelten die Methode anhand einer Gruppe von Polymeren namens Homopolypropylene und nutzten Röntgenbeugungsmuster der Polymere unter verschiedenen Herstellungsbedingungen, um detaillierte Informationen über deren komplexe Struktur und Eigenschaften zu erhalten.

„Maschinelles Lernen kann auf Daten aus vorhandenen Materialien angewendet werden, um die Eigenschaften unbekannter Materialien vorherzusagen“, erklären Dr. Tamura, Dr. Nagata und Dr. Nakanishi. „Um genaue Vorhersagen zu erzielen, ist es jedoch wichtig, Deskriptoren zu verwenden, die die Eigenschaften dieser Materialien korrekt darstellen.“

Thermoplastische kristalline Polymere wie Polypropylen haben eine besonders komplexe Struktur, die während des Prozesses der Formgebung in die Form des Endprodukts noch weiter verändert wird. Daher war es für das Team wichtig, die Details der Polymerstruktur mithilfe der Röntgenbeugung angemessen zu erfassen und sicherzustellen, dass der maschinelle Lernalgorithmus die wichtigsten Deskriptoren in diesen Daten identifizieren konnte.

Zu diesem Zweck analysierten sie zwei Datensätze mit einem Tool namens Bayesian Spectral Deconvolution, das Muster aus komplexen Daten extrahieren kann. Der erste Datensatz bestand aus Röntgenbeugungsdaten von 15 Homopolypropylentypen, die einem Temperaturbereich ausgesetzt waren, und der zweite aus Daten von vier Homopolypropylentypen, die im Spritzgussverfahren hergestellt wurden.

Zu den analysierten mechanischen Eigenschaften gehörten Steifheit, Elastizität, die Temperatur, bei der sich das Material zu verformen beginnt und wie weit es sich dehnt, bevor es bricht.

Das Team stellte fest, dass die maschinelle Lernanalyse Merkmale in den Röntgenbeugungsbildern genau mit spezifischen Materialeigenschaften der Polymere verknüpfte. Einige der mechanischen Eigenschaften ließen sich anhand der Röntgenbeugungsdaten leichter vorhersagen, während andere, wie etwa der Dehnungsbruchpunkt, schwieriger waren.

„Wir glauben, dass unsere Studie, die das Verfahren beschreibt, das zur Bereitstellung eines hochpräzisen maschinellen Lernvorhersagemodells ausschließlich unter Verwendung der Röntgenbeugungsergebnisse von Polymermaterialien verwendet wird, eine zerstörungsfreie Alternative zu herkömmlichen Polymerprüfmethoden bieten wird“, sagen die NIMS-Forscher.

Das Team schlug außerdem vor, dass ihr Bayes’scher Ansatz der spektralen Dekonvolution auf andere Daten, wie etwa die Röntgen-Photoelektronenspektroskopie, angewendet und zum Verständnis der Eigenschaften anderer Materialien, sowohl anorganischer als auch organischer, verwendet werden könnte.

„Es könnte ein Testfall für zukünftige datengesteuerte Ansätze im Polymerdesign und in der Polymerwissenschaft werden“, sagt das NIMS-Team.