基于多任务深度神经网络的生物塑料设计
材料科学
2022-12-06 v1 软凝聚态物质
机器学习
摘要
不可降解塑料废弃物在陆地与水中存留数十年，危害我们的环境；然而若无塑料，现代生活方式与当前技术便无法维持。生物合成且可生物降解的替代品，如聚羟基脂肪酸酯（PHAs）聚合物家族，有潜力以从摇篮到摇篮的材料替代世界塑料供应的大部分，但其化学复杂性与多样性限制了传统的资源密集型实验。本工作中，我们利用近 23000 种均聚物与共聚物化学结构的可用实验数据，开发了多任务深度神经网络性质预测器。借助这些预测器，我们从一个近 140 万候选物的搜索空间中识别出 14 种基于 PHA 的生物塑料，它们可作为占全球年塑料产量 75% 的七种石油基通用塑料的潜在替代品。我们讨论了这些已识别有前景材料的可能合成路径。所开发的多任务聚合物性质预测器作为 Polymer Genome 项目的一部分在 https://PolymerGenome.org 提供。
引用
@article{arxiv.2203.12033,
title = {Bioplastic Design using Multitask Deep Neural Networks},
author = {Christopher Kuenneth and Jessica Lalonde and Babetta L. Marrone and Carl N. Iverson and Rampi Ramprasad and Ghanshyam Pilania},
journal= {arXiv preprint arXiv:2203.12033},
year = {2022}
}