Инструмент автоматического проектирования полимеров интегрирует машинное обучение и молекулярное моделирование

Исследовательская группа разработала Spacier, современный инструмент проектирования полимерных материалов, который интегрирует машинное обучение с молекулярным моделированием. В качестве доказательства концепции группа успешно синтезировала новые оптические полимеры, которые превышают эмпирические ограничения показателя преломления и числа ABBE. Исследование было опубликовано в NPJ вычислительные материалы 28 января 2025 года.

Машинное обучение быстро продвинуло дизайн и обнаружение новых материалов в различных системах. Чтобы преодолеть проблему ограниченных экспериментальных данных и ограничения предикторов интерполятивного машинного обучения, вычисления первых принципов и другие вычислительные эксперименты были включены в трубопроводы по проектированию материала.

Тем не менее, огромные вычислительные затраты и технические трудности автоматизации компьютерных экспериментов для полимерных материалов препятствовали разработке инструментов с открытым исходным кодом, объединяющим молекулярное моделирование с машинным обучением для дизайна полимера.

Чтобы решить эти проблемы, исследовательскую группу, входящую в Шун Нанджо, аспирант аспирантуры по передовым исследованиям (Sokendai), арифин, исследователь JSR Corporation, профессор Теруаки Хаякава из Института науки Токи и профессор Рио Йошида из Института из Института Статистической математики (ISM) разработала Radonpy, библиотеку Python, предназначенную для автоматизации вычислительных экспериментов, таких как моделирование молекулярной динамики в целом, для широкого спектра систем полимерных материалов.

Основываясь на этом фундаменте, группа создала Spacier, программное обеспечение с открытым исходным кодом, которое интегрирует радут с алгоритмами дизайна полимера на основе байесовской оптимизации.

Используя многоцелевую структуру оптимизации, реализованную в Spacier, команда разработала оптические полимеры, которые превосходят границу Парето, образованную компромиссом между показателем преломления и номером аббата. Эти полимеры были успешно синтезированы, демонстрируя практическое потенциал инструмента.

Основная проблема в исследованиях материалов, основанных на данных, заключается в нехватке ресурсов данных. Получить достаточные данные для приложений машинного обучения часто сложно. Эта проблема особенно выражена для полимерных материалов.

В этой области компьютерные эксперименты были интегрированы в трубопроводы машинного обучения, чтобы преодолеть количественные ограничения экспериментальных данных и ограничения предсказаний интерполяции машинного обучения.

Различные алгоритмы машинного обучения были разработаны для неорганических твердотельных материалов и малых молекул. Тем не менее, исследованиям полимерных материалов были затруднены из-за технических барьеров при автоматизации и ускорении молекулярного моделирования всеатом.

Исследовательская группа разработала инструмент проектирования автономного полимера Spacier (Material Space Frontier), который интегрирует полностью автоматизированные расчеты физических свойств полимеров на основе моделирования классической молекулярной динамики (MD) в богосексуате в конструкцию конструкции материала BO-ускоренного материала.

Radonpy-это программное обеспечение с открытым исходным кодом, разработанное исследовательской группой в ISM, которое может полностью автоматизировать расчеты физических свойств полимера с использованием моделирования MD.

Учитывая полимерную повторную единицу, степень полимеризации и другие условия вычисления, весь процесс моделирования MD полностью автоматизирован, включая конформационный поиск, расчет заряда, назначение параметров силового поля, генерацию полимерной цепи, равновесие и неравновесные расчеты и расчеты физического свойства.

Последняя версия Radonpy поддерживает автоматический расчет 17 различных свойств, включая тепловые, оптические и механические свойства. Spacier опирается на функциональные возможности Radonpy, включающие алгоритмы адаптивного экспериментального дизайна для обеспечения эффективного и стратегического дизайна материала полимерных материалов. Ожидается, что этот инструмент значительно ускорит разведку и оптимизацию свойств полимерного материала.

В качестве исследования проверки концепции исследовательская группа применяла Spaceier для обнаружения оптических полимеров, которые представляют собой материалы, используемые в таких продуктах, как очки и линзы камеры. Ключевыми требованиями для оптических полимеров являются высокий показатель преломления и высокий номер аббата.

Номер аббата — это физическое свойство, которое описывает рассеяние цвета прозрачного материала. Тем не менее, существует эмпирически известная «ограничивающая граница» между показателем преломления и номером аббата, сформированным их компромисными отношениями.

В этом исследовании Spacier провел систематические компьютерные эксперименты для изучения полимеров, которые превышают эмпирический предел. В результате были экспериментально подтверждены вновь синтезированные полимеры, чтобы превзойти ранее известную границу, демонстрируя эффективность инструмента в развитии конструкции полимерных материалов.

Таким образом, Spacier способен достичь любой области в химическом пространстве, если целевые полимерные системы вычисляются или калибруются из радонпии.

В настоящее время исследовательская группа в ISM продвигает дальнейшее развитие Radonpy через консорциум отрасли-академии, включающий два национальных исследовательских института, восемь университетов и 37 компаний. Эта инициатива еще больше ускорит разработку исследований полимерных материалов, управляемых данными.