Automatiseret polymerdesignværktøj integrerer maskinlæring og molekylære simuleringer

En forskningsgruppe har udviklet Spacier, et avanceret værktøj til polymermateriale, der integrerer maskinlæring med molekylære simuleringer. Som et bevis på koncept syntetiserede gruppen med succes nye optiske polymerer, der overskrider de empiriske grænser for brydningsindeks og ABBE -nummer. Forskningen blev offentliggjort i NPJ Computational Materials den 28. januar 2025.

Maskinindlæring har hurtigt avanceret design og opdagelse af nye materialer på tværs af forskellige systemer. For at overvinde udfordringen med begrænsede eksperimentelle data og begrænsningerne af interpolative maskinlæringsprediktorer er beregninger af førsteprincipper og andre beregningseksperimenter blevet inkorporeret i materialesignørledninger.

Imidlertid har de enorme beregningsomkostninger og tekniske vanskeligheder ved at automatisere computereksperimenter til polymere materialer hindret udviklingen af ​​open source-værktøjer, der kombinerer molekylære simuleringer med maskinlæring til polymerdesign.

For at tackle disse udfordringer, en forskningsgruppe, der omfatter Shun Nanjo, en kandidatstuderende ved Graduate University for Advanced Studies (Sokendai), Arifin, en forsker ved JSR Corporation, professor Teruaki Hayakawa fra Institute of Science Tokyo og professor Ryo Yoshida fra instituttet af statistisk matematik (ISM) har udviklet Radonpy, et Python-bibliotek designet til at automatisere beregningsmæssige eksperimenter, såsom all-atom molekylær dynamik-simuleringer, til en lang række polymermaterialsystemer.

Baseret på dette fundament skabte gruppen Spacy, en open source-software, der integrerer Radonpy med polymerdesignalgoritmer baseret på Bayesian-optimering.

Ved hjælp af den multi-objektive optimeringsramme, der er implementeret i Spacier, designede teamet optiske polymerer, der overgår Pareto-grænsen dannet af afvejen mellem brydningsindeks og ABBE-nummer. Disse polymerer blev med succes syntetiseret, hvilket demonstrerede værktøjets praktiske potentiale.

En stor udfordring inden for datadrevet materialeforskning ligger i mangel på dataressourcer. Det er ofte vanskeligt at få tilstrækkelige data til applikationer til maskinlæring. Denne udfordring er især udtalt for polymere materialer.

På dette område er computereksperimenter blevet integreret i maskinlæringsrørledninger for at overvinde de kvantitative begrænsninger af eksperimentelle data og begrænsningerne i interpolative maskinlæringsforudsigelser.

Der er udviklet forskellige maskinlæringsalgoritmer til uorganiske faststofmaterialer og små molekyler. Imidlertid er forskning i polymere materialer blevet hindret på grund af tekniske barrierer ved automatisering og accelererende molekylær simuleringer af alle atom.

Spacier: Automatiseret polymerdesignværktøj Integrering af maskinlæring og molekylær simuleringer-Fremme af opdagelsen af ​​optiske polymerer med højtydende polymerer

Forskningsgruppen udviklede det autonome værktøj til polymerdesign, Spacy (Materials Space Frontier), som integrerer fuldautomatiserede Polymer-fysiske egenskabsberegninger baseret på all-atom klassisk molekylær dynamik (MD) -simuleringer i en Bo-Accelerated Material Design Pipeline.

Radonpy er open source-software udviklet af forskningsgruppen ved ISM, som fuldt ud kan automatisere beregninger af polymerens fysiske egenskab ved hjælp af MD-simuleringer.

I betragtning af en polymer gentagelsesenhed, polymerisationsgrad og andre beregningsbetingelser er hele MD -simuleringsprocessen fuldt automatiseret, herunder konformationel søgning, ladningsberegning, kraftfeltparameteropgave, polymerkædegenerering, ligevægt og ikke -quilibriumberegninger og fysiske egenskabsberegninger.

Den seneste version af Radonpy understøtter automatisk beregning af 17 forskellige egenskaber, herunder termiske, optiske og mekaniske egenskaber. Spacier bygger på Radonpys funktionaliteter, der inkorporerer adaptive eksperimentelle designalgoritmer for at muliggøre effektiv og strategisk polymermateriale -design. Dette værktøj forventes at fremskynde efterforskning og optimering af polymermaterialegenskaber markant.

Som en proof-of-concept-undersøgelse anvendte forskningsgruppen Spacy for at opdage optiske polymerer, som er materialer, der bruges i produkter som briller og kameralinser. De vigtigste krav til optiske polymerer er højt brydningsindeks og højt ABBE -antal.

ABBE -nummeret er en fysisk egenskab, der beskriver farvespredning af et gennemsigtigt materiale. Der er dog en empirisk kendt “begrænsende grænse” mellem brydningsindekset og ABBE-nummeret, dannet af deres afvejningsforhold.

I denne undersøgelse udførte Spacier systematiske computereksperimenter for at udforske polymerer, der overskrider den empiriske grænse. Som et resultat blev nyligt syntetiserede polymerer eksperimentelt bekræftet for at overgå den tidligere kendte grænse, hvilket demonstrerede effektiviteten af ​​værktøjet til at fremme polymermaterialedesign.

På denne måde er Spacier i stand til at nå ethvert område i det kemiske rum, så længe målpolymersystemerne kan beregnes i eller kalibrereres fra radonpy.

I øjeblikket fremmer forskningsgruppen ved ISM den videre udvikling af Radonpy gennem en industri-akademi-konsortium, der omfatter to nationale forskningsinstitutter, otte universiteter og 37 virksomheder. Dette initiativ vil yderligere fremskynde udviklingen af ​​datadrevet polymermaterialerforskning.