机器学习成功应用于发现新聚合物学术资讯

研究人员在机器学习技术的帮助下进行聚合物的设计与测试工作。

sciencedaily.com网站报道，日本东京工业大学（Tokyo Tech）教授Ryo Yoshida和国家材料研究所（NIMS）研究人员Yibin Xu等带领的联合研究小组在《npj•计算材料学》杂志中展示了机器学习（ML）在发现创新材料方面的应用前景。机器学习是一种能够让计算机利用给定的数据进行“学习”的人工智能。Yoshida等表示，他们开发的包括“转移学习”（transfer learning）在内的机器学习方法，可以从非常有限的数据集中发现潜在的新材料。

位于NIMS的PoLyInfo是世界上最大的聚合物数据库。Yoshida等的项目利用了该数据库中的聚合物特性数据。尽管PoLyInfo的数据很强大，但关于聚合物传热性能的数据比较有限。为了使机器学习模型能根据有限数据预测传热性能，研究人员对模型进行了预训练。预训练内容与目标任务的公共特性相关。因此，即便后期使用的数据集非常有限，机器学习模型也能具备非常出色的预测性能。这就好比经验丰富的人类专家，即便任务经验极为有限，也能作出合理的判断。基于这样的考虑，Yoshida团队将模型与一种专门用于计算分子设计的iQSPR算法进行了结合。iQSPR是此前由Yoshida及其同事开发的用于识别潜力“虚拟”聚合物的算法。

从巨大的候选材料库中，研究人员从易于合成和加工等特点出发，选择了3种聚合物。性能测试结果表明，新聚合物的导热系数高达0.41W/mK。这一数值比自上世纪50年代以来已有广泛应用的常见聚合物聚酰亚胺高近80%。验证实验结果表现了快速、经济的机器学习方法在材料设计领域的关键性突破，也展示了Yoshida团队在数据科学、有机合成和先进测量技术方面丰富的综合性知识。Yoshida认为，他们的工作还有很多地方有待改进，例如可以通过添加更合适的描述符来“训练”计算系统，以进一步提高其处理有限数据的能力。他说：“针对聚合物或软材料设计的机器学习是极具挑战性的，但它也有广阔的应用空间。聚合物材料的性质不同于金属和陶瓷，并且无法由目前的理论进行全面预测。”论文作者Junko Morikawa补充说：“这项研究是发现其他创新性材料的起点。我们希望创建一种由机器学习驱动的高通量计算系统，进而为5G时代与后5G时代的应用设计新一代的软材料。我们的目标不仅仅是追求材料信息学的发展，还包括为材料科学、尤其是声子工程领域的基本发展作出贡献。”

科界原创

编译：雷鑫宇

审稿：阿淼

责编：唐林芳

期刊来源：《npj•计算材料学》

期刊编号：2057-3960

原文链接：https://www.sciencedaily.com/releases/2019/07/190719102133.htm