合成聚合物和有机分子的传统设计策略是以实验为基础，以经验和直觉为指导，以应用需求为驱动。由于对新材料的不断增长的需求和大量已有的有机分子，传统的方法面临着巨大的挑战。欧洲杯足球竞彩随着高通量计算、加工学习(ML)和人工智能(AI)应用的快速发展，聚合物信息学正在成为确保聚合物科学领域突破性发现的有前景的工具。欧洲杯线上买球
图片来源:Zakharchuk / Shutterstock.com
聚合物是现代社会中最普遍的一类材料。欧洲杯足球竞彩它们的应用范围从包装、纺织、消费品制造到医药、建筑和运输。聚合物材料由许多重复的单元，称为单体，组装在长分子链中。这些聚合物链可以形成不同的结构，从而使聚合物材料具有高度不同的物理和化学性质。欧洲杯足球竞彩一些聚合物链可以包含不止一种类型的单体，从而在不同长度尺度上产生更复杂的拓扑结构。
传统的基于直觉和试错的研究方法已经揭示了高分子材料的巨大潜力。欧洲杯足球竞彩然而，鉴于特定高分子材料的大分子结构的多样性，需要新的方法来识别和开发新的应用。欧洲杯足球竞彩新兴的聚合物信息学领域旨在通过采用基于人工智能和ml的方法进行以数据和信息为中心的研究来满足这一需求。
高分子信息学如何帮助高分子研究?
根据聚合物的基本物理化学性质建立可靠的经验模型有助于预测聚合物的特性。聚合物基因组是一个基于ml的工具，能够快速预测各种聚合物的性质。聚合物基因组中使用的预测模型是在现有的聚合物数据库、实验聚合物数据或第一性原理计算上训练的。
在聚合物信息学中，通过应用与目标材料特性相关的预测模型，大量的化学或合成可行的聚合物可用于高通量筛选潜在的候选聚合物。
聚合物合成可能是一个昂贵和劳动密集型的过程;因此，实验设计算法可以是一个理想的解决方案，以减少达到设计目标所需的新实验数量。这种算法利用嵌入在现有数据中的知识，提出哪些候选最能满足设计目标。
使用人工智能和ML的聚合物工业的关键发展
聚合物材料必须满足几个期欧洲杯足球竞彩望的性能要求，才能成为任何特定应用的良好候选材料。由于有足够大的数据集来支持现代ML技术的使用，聚合物信息学可以成为发现新聚合物的强大工具。许多研究团队采用数据驱动的方法进行聚合物设计，显著提高了他们开发新的功能性聚合物的生产力，以满足快速扩大的聚合物材料市场。欧洲杯足球竞彩
储能用聚合物介质
随着对聚合物基高性能储能电容器需求的不断增长，聚合物信息学可以极大地促进新型聚合物介质的发现。
定义了多种期望的性能，如高玻璃化温度和介电强度，结合计算和数据驱动的ML策略，开发和合成了新型介电膜;它们在极端温度下表现出优异的热稳定性。
锂离子电池用聚合物电解质
另一个基于人工智能的性能预测模型和设计算法被证明是成功的例子是开发了更安全的可充电锂离子电池固体聚合物电解质材料。欧洲杯足球竞彩美国麻省理工学院材料科学与工程系的一个研究小组使用ml辅助的粗颗粒分子动力学模拟欧洲杯足球竞彩设计了欧洲杯线上买球高离子电导率和增强电化学稳定性的聚合物电解质。他们的研究发表在杂志上化学材料欧洲杯足球竞彩4月22日nd, 2020年。
导电聚合物的电子应用
尽管大多数聚合物都是绝缘体，但一种被称为共轭聚合物的本质导电聚合物广泛应用于发光二极管和有机太阳能电池。分子掺杂可以增强聚合物的电学性能，但由于聚合物中电子转移过程的复杂性，发现提供最佳导电性的最佳聚合物掺杂剂对可能是一个耗时的过程。近年来，利用基于回归的有机分子性质预测模型，发现了几种高效的有机太阳能电池给体/受体对。
用于气液分离的聚合物膜
高比表面积聚合物作为膜材料在流体分离方面具有广阔的应用前景。欧洲杯足球竞彩对于理想的气体或液体，寻找具有高固有微孔和高渗透率的聚合物是一项微不足道的任务，但可能已经找到了潜在的解决方案。来自美国亚特兰大乔治亚理工学院的研究人员利用聚合物基因组构建了不同聚合物化合物的气体渗透性预测模型，加快了聚合物膜研究。
新型可解聚和生物可降解聚合物的发现
聚合物科学面临的最大挑战之一是在特定的刺激下生成可逆聚合-解聚的聚合物。欧洲杯线上买球这种可回收的聚合物将使资源以最小的价值损失回流到聚合物生产中。
最近，美国阿克伦大学的研究人员发表了一份报告。本文利用数据驱动的计算工具，研究了不同环状单体开环-解聚反应的能量格局，从而筛选出化学可循环利用的工业聚合物候选材料。
美国新墨西哥州洛斯阿拉莫斯国家实验室的一个团队采用了类似的方法，提出了一种基于ml的系统，用于从现有聚合物数据库中快速绘制生物基聚合物的结构-性质图，以发现新的可生物降解聚合物候选。
聚合物信息学的挑战与未来展望
适合ML应用的大型开放数据库的可用性构成了聚合物信息学的基础。然而，由于几个原因，建立这些数据库具有挑战性。
纵观聚合物科学的历史，由于私人(工业)拥有的研究，缺乏数据共享的不一致性阻碍了创建一个全面的聚合物数欧洲杯线上买球据库。此外，现有的一些关于聚合物层次结构的数据证明很难用于ML目的的编码。
尽管如此，全球各地的学术和工业研究小组正在采取步骤，建立完全数据驱动的聚合物研究和开发过程。这样做的真正好处是让聚合物科学家从低效的试错设计过程中解脱出来，让科学家专注于更广泛的设计概念和理论进步。
参考资料及进一步阅读
陈,L。et al。(2021)聚合物信息学:现状和关键的下一步。板牙。科学。Eng。R代表。144, 100595年。可以在:https://doi.org/10.1016/j.mser.2020.100595
Kuenneth, K。et al。(2021)具有多任务学习的聚合物信息学。模式2、4、100238。可以在:https://doi.org/10.1016/j.patter.2021.100238
陈,G。,在艾尔。(2021)利用化学语言处理模型预测聚合物的玻璃化转变温度。聚合物13, 1898年。可以在:https://doi.org/10.3390/polym13111898
陈,G。,et al。(2020)机器学习辅助的有机分子和聚合物从头设计:机遇与挑战。聚合物12日,163年。可以在:https://doi.org/10.3390/polym12010163
Wang, Y.， et al.(2020)基于机器学习辅助的粗颗粒分子动力学设计高导电聚合物电解质。化学材料欧洲杯足球竞彩32(10), 4144 - 4151。可以在:https://doi.org/10.1021/acs.chemmater.9b04830
Tran, h . D。et al。(2020)利用聚合物基因组对聚合物性质进行机器学习预测。应用物理学杂志128年,171104年。可以在:https://doi.org/10.1063/5.0023759
Pilania, G。,et al。(2019)基于机器学习的玻璃转变温度预测建模:以聚羟基烷酸均聚物和共聚物为例。化学信息与建模学报59(12), 5013 - 5025。可以在:https://doi.org/10.1021/acs.jcim.9b00807
金,C。et al。(2018)聚合物基因组:数据驱动的聚合物信息学平台的性质预测。期刊。化学。C122、17575−17585．可以在:https://doi.org/10.1021/acs.jpcc.8b02913
免责声明:本文仅代表作者以个人身份发表的观点，并不代表本网站所有者和运营商阿泽网络有限公司的观点。本免责声明构成条款和条件本网站之使用。