Des centaines de millions de tonnes de matériaux polymères sont produits dans le monde pour être utilisés dans un vaste espace d’application en croissance constante avec de nouvelles demandes de matériaux tels que les polymères chimiques verts, les emballages grand public, les adhésifs, les composants automobiles, les tissus et les cellules solaires.
Mais la découverte de matériaux polymères appropriés pour une utilisation dans ces applications consiste à prédire avec précision les propriétés qu’un matériau candidat aura. Obtenir une compréhension quantitative de la relation entre la structure chimique et les propriétés observables est particulièrement difficile pour les polymères, en raison de leur assemblage chimique 3D complexe qui peut être constitué de chaînes extrêmement longues de milliers d’atomes.
Récemment, une équipe de matériaux et d’informaticiens du Lawrence Livermore National Laboratory (LLNL) a relevé ce défi avec une approche basée sur les données. En utilisant des ensembles de données sur les propriétés des polymères, les chercheurs ont développé un nouveau modèle d’apprentissage automatique (ML) qui peut prédire 10 propriétés polymères distinctes avec plus de précision que ce qui était possible avec les modèles ML précédents.
« Le secret du succès du nouveau modèle ML réside dans une nouvelle représentation polymère qui capture de manière compacte la structure des polymères, en combinaison avec de puissantes techniques d’apprentissage automatique basées sur des graphes qui apprennent de manière autonome comment décrire au mieux la structure du polymère », a déclaré Evan Antoniuk, postdoc LLNL, auteur principal d’un article paru dans le Journal d’information chimique et de modélisation.
La structure chimique des polymères est généralement composée de dizaines ou de milliers de sous-unités chimiques répétitives, une caractéristique appelée périodicité. Les approches précédentes pour prédire les propriétés des polymères avec ML ne pouvaient pas capturer cette structure polymère périodique étendue, conduisant à des prédictions inexactes.
Dans ce travail, l’équipe de recherche a développé une nouvelle méthode pour coder explicitement la périodicité du polymère dans le modèle ML.
« Les résultats de ce travail montrent que l’inclusion de la périodicité dans le modèle ML donne lieu à une précision de pointe pour prédire les propriétés des polymères », a déclaré Antoniuk.
Dans un laboratoire de chimie, il faut souvent beaucoup de temps pour synthétiser et caractériser de nouveaux polymères avant de pouvoir effectuer des mesures pour obtenir leurs propriétés. Mais le modèle ML est capable de générer des prédictions de propriétés presque immédiatement. L’équipe de recherche travaille actuellement avec le développeur LLNL Joe Chavez pour créer une interface Web interactive permettant aux modèles ML d’être accessibles à tous.
« Ce modèle interactif permettra aux chimistes des polymères d’acquérir instantanément une compréhension des propriétés des nouveaux matériaux polymères, permettant de tester et d’itérer rapidement de nouveaux concepts en chimie des polymères », a déclaré Anna Hiszpanski, scientifique et co-auteur du LLNL.
Plus d’information:
Evan R. Antoniuk et al, Représentation des polymères sous forme de graphiques périodiques avec des descripteurs appris pour des prédictions précises des propriétés des polymères, Journal d’information chimique et de modélisation (2022). DOI : 10.1021/acs.jcim.2c00875