AI 辅助序列有序高本征热导率聚合物的逆向设计
软凝聚态物质
2024-05-01 v1 材料科学
应用物理
计算物理
摘要
人工智能 (AI) 推动聚合物设计范式从传统的试错法转向数据驱动模式。由于本征聚合物在微电子器件和集成电路等众多工业应用的热管理中至关重要，实现其高热导率 (TC) 迫在眉睫。在本工作中，我们提出了一种用于高 TC 聚合物逆向设计的稳健 AI 辅助工作流程。利用 1144 种具有已知计算 TC 的聚合物，我们构建了一个用于 TC 预测的代理深度神经网络模型，并提取了一个包含 32 种序列的聚合物单元库。采用了两种最先进的多目标优化算法，即统一非支配排序遗传算法 III (U-NSGA-III) 和 q-噪声期望超体积改进 (qNEHVI)，用于同时具有高 TC 和合成可行性的序列有序聚合物设计。对于三嵌段聚合物设计，结果表明 qNEHVI 能够在 Pareto 前沿探索多样化的最优聚合物，但准蒙特卡洛采样中的不确定性使得试验成本高昂。U-NSGA-III 的性能受初始随机结构影响，通常陷入局部最优解，但其尝试次数较少且成本较低。我们进行了 20 次并行 U-NSGA-III 运行以设计具有高 TC 的五嵌段聚合物，在生成的 1921 种聚合物候选者中，有一半达到了目标（TC > 0.4 W/(mK) 且 SA < 3.0）。最终，我们通过分子动力学模拟检查了 50 种有前景的聚合物的 TC，揭示了微观结构与 TC 之间的内在联系。我们开发的这种用于聚合物的 AI 辅助逆向设计方法灵活且通用，可扩展至具有其他目标属性的聚合物设计。
引用
@article{arxiv.2402.11600,
title = {AI-assisted inverse design of sequence-ordered high intrinsic thermal conductivity polymers},
author = {Xiang Huang and C. Y. Zhao and Hong Wang and Shenghong Ju},
journal= {arXiv preprint arXiv:2402.11600},
year = {2024}
}