圣母大学罗腾飞/马瑞民ACS AMI: 基于强化学习探索高热导率非晶聚合物

开发具有理想导热性的非晶聚合物具有重要意义，因为其在热传输至关重要的应用中无处不在。然而，传统的爱迪生式方法很慢且不能保证材料开发的成功。

在此，美国圣母大学罗腾飞、马瑞民等人采用基于强化学习的逆向材料设计算法，利用文献中生成的469个分子动力学（MD）模拟数据探索高热导率（TC≥0.400 W/m·K）的非晶聚合物。作者使用机器学习生成的基准数据库 PI1M（其中包含约100万个虚拟聚合物结构）训练基于循环神经网络（RNN）的聚合物生成器，并使用该模型生成新的聚合物结构。

此外，作者训练了随机森林（RF）模型以量化469个MD模拟数据上的化学-TC关系，该模型为新生成的聚合物提供反馈（即预测TC）。结果显示，对于所有生成的TC≥0.400 W/m·K的聚合物，其TC介于0.400~0.430 W/m·K之间。作者通过计算合成可及性分数评估了其可合成性，并使用MD模拟验证了所选聚合物的热导率。

图1. 本研究中使用的聚合物结构表示示例及TC分布

最终，作者通过MD模拟验证了30种聚合物结构，其TC范围从0.360~0.693 W/m·K，其中最佳导热聚合物的TC为 0.693 W/m·K。根据合成可及性分数估计，这些聚合物很容易合成。MD计算的TC可能会受到所用力场准确性的影响，但由于作者使用相同的力场来生成所有数据，因此本研究的结果和结论应该是自洽的。

此外，在非晶聚合物中，构象比键合相互作用本身更重要，因为热载体会因结构无序而分散。此次模拟的聚合物主要涉及有机分子中包含的常见键和原子，因此使用的力场应该能够捕获构象，从而提供对非晶聚合物TC的一致预测。这项工作证明了使用强化学习来设计具有高TC聚合物的适用性，可以推广到设计具有不同特性的聚合物材料。

图2. 使用MD模拟的无非晶聚合物生成和TC计算图

Exploring High Thermal Conductivity Amorphous Polymers Using Reinforcement Learning, ACS Applied Materials & Interfaces 2022. DOI: 10.1021/acsami.1c23610

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/14/179e977001/

圣母大学罗腾飞/马瑞民ACS AMI: 基于强化学习探索高热导率非晶聚合物

相关推荐

发表回复