(资料图片仅供参考)

现在，全球生产的高分子聚合物材料达数亿吨，可用于巨大且不断增长的应用空间，满足新的材料需求，如绿色化学聚合物、消费品包装、粘合剂、汽车零部件、织物和太阳能电池。

（图片来源：劳伦斯利弗莫尔国家实验室）

要发现适合这些应用的聚合物材料，关键在于准确预测候选材料的性能。定量了解聚合物的化学结构和可观测性质之间的关系，尤其具有挑战性，因为在聚合物复杂的3D化学组装中可能包含由数千个原子组成的超长链。

据外媒报道，最近，劳伦斯利弗莫尔国家实验室（LLNL）的研究团队利用数据驱动方法，解决了这一问题。研究人员利用聚合物特性数据集开发了一种创新机器学习（ML）模型，可以预测10种不同聚合物的特性，而且准确度高于以前的模型。

LLNL博士后Evan Antoniuk表示：“这种新ML模型成功的秘诀在于一种新的聚合物表示法。通过该方法，可以获取聚合物的细密结构，并结合强大的图表基机器学习技术，自动学习如何描述聚合物的结构。”

聚合物的化学结构通常由数十个或数千个重复的化学亚基构成，这一特征被称为周期性（periodicity）。以前预测聚合物特性的ML方法，无法获得扩展周期聚合物结构（extended periodic polymer structure），准确性不足。在这项研究中，该团队开发了一种方法，在ML模型中对聚合物的周期性进行显式编码。Antoniuk表示：“研究结果表明，在ML模型中纳入周期性，提高了对聚合物特性的预测准确性。”

在化学实验室中，往往需要很长时间来合成和表征新聚合物，然后才能进行测量以发现其性能。然而，通过ML模型，几乎可以马上做出特性预测。目前，该团队正与LLNL开发人员Joe Chavez合作，以创建互动网络界面，使所有人都可以访问该机器学习模型。

LLNL研究人员Anna Hiszpanski表示：“通过互动模型，聚合物化学家可以迅速了解新聚合物材料的特性，快速检测聚合物化学中的新概念，以实现迭代。”

关键词： 劳伦斯利弗莫尔国家实验室 机器学习模型 材料特性