.png){kind=icon}
返回
Developing Hybrid Machine Learning Frameworks for Polymer Property Prediction Based on Composition and Sequence Features
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jcim.5c00745.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能（AI）在推动聚合物科学与工程方面发挥着重要作用。考虑到玻璃化转变温度（Tg）在确定聚合物物理性质中的关键作用，本研究使用机器学习（ML）模型系统地研究了其组成和序列结构对Tg的影响。为阐明聚合物组成与Tg之间的复杂关系，采用了k-最近邻巨趋势扩散（kNNMTD）方法进行数据增强，并构建了多种ML模型用于Tg预测。其中，随机森林模型在生成数据上表现出最佳性能，实现了R2为0.85和RMSE为0.38。为探索聚合物序列结构对Tg的影响，我们进一步引入自然语言处理（NLP）技术来表示聚合物序列。使用带有梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）模型进行数据增强，并采用卷积神经网络-长短期记忆（CNN-LSTM）模型进行Tg预测。该集成框架取得了优异的预测性能，R2达到0.95，RMSE为0.23，并展示了在不同数据集上的强泛化能力。总之，本研究介绍了kNNMTD在增强聚合物组成数据方面的创新应用，并结合NLP技术表示聚合物序列。所提出的ML框架为聚合物材料设计与优化的发展提供了宝贵贡献。
Keyword:
machine learning
glass transition temperature
polymer composition
sequence structure
data augmentation
期刊
IF:
5.3
论文数:
9.1K
被引数:
4.0W
机构
引用论文
Heat-Resistant Polymer Discovery by Utilizing Interpretable Graph Neural Network with Small Data.png)
MACROMOLECULES
MACROMOLECULESIF5.2
PREAI
分享收藏A review on the applications of graph neural networks in materials science at the atomic scale图神经网络在原子尺度材料科学中的应用综述
OAAI
OAAI分享收藏Mol2vec: Unsupervised Machine Learning Approach with Chemical IntuitionMol2vec: 具有化学直觉的无监督机器学习方法OAAI
OAAI分享收藏
分享收藏Machine learning approaches for the prediction of materials properties材料性能预测的机器学习方法APL MATERIALSOAAI
APL MATERIALSIF4.5
OAAI分享收藏SMILES, a chemical language and information system. 1. Introduction to methodology and encoding rules微笑，一种化学语言和信息系统。1.介绍方法和编码规则
PREAI
分享收藏
查看更多内容