80电影天堂网,少妇高潮一区二区三区99,jαpαnesehd熟女熟妇伦,无码人妻精品一区二区蜜桃网站

搜索：  
康涅狄格大學Ying Li課題組 Sci. Adv.: 可解釋的機器學習模型發(fā)現(xiàn)用于氣體分離膜的新型高分子結構
2022-07-23  來源：高分子科技

  用于氣體分離的高分子膜幾乎可以無限地多次重復使用，并且廣泛的應用于富氧膜，沼氣凈化，和二氧化碳捕集等。但高性能的高分子膜結構很大程度上是依賴于愛迪生式的大量試驗和試錯的方法來進行設計的，這種設計方法給新型高分子膜結構的設計帶來了很大挑戰(zhàn)。


  近期，康涅狄格大學機械工程系、材料科學研究所高分子系的Ying Li課題組建立了一個機器學習框架用于學習高分子氣體分離膜的分子結構與氣體滲透率之間的內在聯(lián)系。從高分子重復單元的化學結構出發(fā)，到提取分子指紋和分子描述符，然后訓練多任務的隨機森林模型和深度神經(jīng)網(wǎng)絡模型，再解釋機器學習模型物理意義，最后快速預測大量假想高分子結構的氣體滲透率，并使用分子動力學模擬對高性能膜結構的滲透系數(shù)和選擇系數(shù)進行驗證（圖1）。當把訓練得到的可靠的機器學習模型應用于假想的高分子結構時，該模型能夠對假想分子進行快速的篩選，從而發(fā)現(xiàn)新型的高分子氣體分離膜結構。通過篩選超過900萬個假想均聚物、梯形聚合物、和聚酰亞胺結構，團隊發(fā)現(xiàn)了若干新型高分子結構表現(xiàn)出超過 Robeson上限的氣體滲透率（圖2），并用分子動力學模型對最終篩選出的具有高滲透系數(shù)的高分子結構進行了模擬驗證（圖3）。這項工作突破了傳統(tǒng)實驗試錯的方法進行高分子結構篩選，建立了機器學習框架高效地預測氣體分離性能，并篩選出了若干新型高分子膜結構以供未來進一步的實驗研究。該工作以“Machine learning enables interpretable discovery of innovative polymers for gas separation membranes”為題發(fā)表在《Science Advances》上（Sci. Adv.8, eabn9545 (2022)）。文章共同第一作者是加州理工學院化學與化學工程系博士生Jason Yang，康涅狄格大學機械工程系博士后Lei Tao (陶磊)博士，及康涅狄格大學機械工程系博士后Jinlong He (賀金龍) 博士。康涅狄格大學化學與生物分子工程系Centennial Professor of Engineering ，Jeffrey McCutcheon教授作為共同作者對這項工作提供了重要的指導。該研究得到美國空軍科學研究局, 美國國家科學基金會, 美國能源部能量效率與可再生能源辦公室, 以及3M公司的支持。

 

圖1 機器學習框架用于發(fā)現(xiàn)新型高分子氣體分離膜的流程圖。


圖2 機器學習模型對數(shù)據(jù)集B、C、D中超過900萬假想高分子結構的氣體滲透率進行預測，并與 Robeson上限進行比較。


 圖3 機器學習篩選出的具有高滲透系數(shù)的高分子結構，以及分子動力學模擬得到的滲透系數(shù)驗證比較。


  該工作是團隊有關高分子信息學機器學習模型的最新進展之一。高分子或聚合物的高復雜性給機器學習模型的建立帶來了很大挑戰(zhàn)，為此團隊對高分子信息學中若干問題進行了研究。團隊研究了高分子均聚物的化學結構與其玻璃轉化溫度之間的關聯(lián)（Patterns. 2021 Apr 9;2(4):100225. ），并測試了超過70種不同機器學習模型的適用性和可靠性（Journal of Chemical Information and Modeling. 2021 Oct 18;61(11):5395-413；Polymers. 2021 Jun 7;13(11):1898.）。除了關注于均聚物、梯形聚合物、聚酰亞胺等的氣體分離性能，團隊近期還對不同共聚物的結構和單元排列順序進行的分析（iScience 25, 104585, July 15, 2022）。這一系列工作對于更好的理解與建立高分子的機器學習模型提供了重要的參考。


  原文鏈接：https://www.science.org/doi/10.1126/sciadv.abn9545

版權與免責聲明：中國聚合物網(wǎng)原創(chuàng)文章？锘蛎襟w如需轉載，請聯(lián)系郵箱：info@polymer.cn，并請注明出處。
（責任編輯：xu）
【大 中 小】【打印】【關閉】

誠邀關注高分子科技

更多>>最新資訊
更多>>科教新聞