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 2023年10月14日 上午11:58 • 未全平台发布, 顶刊 • 阅读 2 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/ 机器学习 赞 (0) 0 0 生成海报 相关推荐 北理吴川/白莹/李雨Chem. Soc. Rev.: 用于钠离子电池的醚基电解液综述 2023年10月14日 李亚栋/雷永鹏:最新Angew.! 2023年11月18日 孙学良Matter:超离子非晶NaTaCl6卤化物电解质用于稳定全固态钠离子电池 2024年3月19日 Nature Catalysis重磅综述:数据科学和机器学习,催化研究的未来利剑! 2024年4月25日 AM:甘油氧化代替OER,实现工业电流密度下低能耗制氢 2023年10月7日 Small:间隙氢原子提高氧化钨的本征析氢活性 2023年10月7日 发表回复 请登录后评论...登录后才能评论 提交