Il modello ML prevede istantaneamente le proprietà del polimero

1 dicembre 2022 – Centinaia di milioni di tonnellate di materiali polimerici vengono prodotti a livello globale per l’utilizzo in un vasto e sempre crescente spazio applicativo con nuovi requisiti di materiali come polimeri chimici verdi, imballaggi di consumo, adesivi, componenti automobilistici, tessuti e celle solari .

Ma scoprire materiali polimerici adatti per l’uso in queste applicazioni significa prevedere con precisione le proprietà del materiale candidato. Ottenere una comprensione quantitativa della relazione tra struttura chimica e proprietà osservabili è una sfida particolare per i polimeri, a causa del loro complesso assemblaggio chimico tridimensionale che può essere costituito da catene estremamente lunghe di migliaia di atomi.

Recentemente, una squadra di Laboratorio Nazionale Lawrence Livermore I materiali LLNL e gli scienziati informatici hanno affrontato questa sfida con un approccio basato sui dati. Utilizzando set di dati delle proprietà dei polimeri, i ricercatori hanno sviluppato un nuovo modello di machine learning (ML) in grado di prevedere 10 proprietà polimeriche distinte in modo più accurato di quanto fosse possibile nei precedenti modelli ML.

“Il segreto del successo del nuovo modello ML risiede nella nuova rappresentazione del polimero che cattura in modo compatto la struttura dei polimeri, combinata con potenti tecniche di apprendimento automatico basate su grafici che apprendono in modo indipendente il modo migliore per descrivere la struttura del polimero”, ha affermato Ivan Antonyuk, ricercatore post-dottorato presso LLNL, autore principale di un documento di ricerca apparso su Giornale di informazioni chimiche e modellazione.

La struttura chimica dei polimeri di solito è costituita da decine o migliaia di subunità chimiche ripetute, una proprietà chiamata periodicità. I metodi precedenti per prevedere le proprietà dei polimeri utilizzando ML non erano in grado di catturare la struttura polimerica ciclica espansa, il che portava a previsioni imprecise.

In questo lavoro, il team di ricerca ha sviluppato un nuovo metodo per codificare esplicitamente la periodicità di un polimero in un modello ML.

“I risultati di questo lavoro mostrano che l’inclusione della periodicità nel modello ML porta a una precisione avanzata per la previsione delle proprietà del polimero”, ha affermato Antoniuk.

In un laboratorio chimico, spesso è necessario molto tempo per sintetizzare e caratterizzare nuovi polimeri prima che possano essere effettuate misurazioni per ottenere le loro proprietà. Ma il modello ML è in grado di generare previsioni proprietarie quasi istantaneamente. Il team di ricerca sta attualmente lavorando con lo sviluppatore di LLNL Joe Chavez per creare un’interfaccia web interattiva che consenta ai modelli ML di essere accessibili a chiunque.

“Questo modello interattivo consentirà agli scienziati dei polimeri di acquisire una comprensione immediata delle proprietà dei nuovi materiali polimerici, consentendo di testare e ripetere rapidamente nuovi concetti nella chimica dei polimeri”, ha affermato la scienziata e coautrice di LLNL Anna Hiszpanski.

Altri scienziati LLNL coinvolti nella ricerca includono Peggy Li e Bhavya Kailkhura.

Fonte: LLNL