用于机器学习性质预测的粗粒化构型聚合物指纹
化学物理
2023-11-28 v1 人工智能
机器学习
摘要
本工作中，我们提出一种利用珠-簧模型（Bead-Spring-Model）生成聚合物构型级指纹的方法。与以往一些采用单体级信息、通过量子化学计算获得原子描述符的指纹方法不同，本方法融入了长聚合物链粗粒化模型的构型信息。该方法可能对研究由大分子量导致的行为具有优势。为创建该指纹，我们使用了两类描述符。首先，我们计算某些几何描述符如 Re2、Rg2 等，并将其标记为计算描述符（Calculated Descriptors）。其次，我们使用无监督自编码器模型生成一组数据驱动描述符，称之为习得描述符（Learnt Descriptors）。结合两者，我们能够通过训练机器学习（ML）模型学习从结构到聚合物链各种性质的映射。我们测试了该指纹预测平衡态构型出现概率的能力，该概率由瞬时内能与平衡平均内能之间的简单线性关系近似。
引用
@article{arxiv.2311.14744,
title = {Coarse-Grained Configurational Polymer Fingerprints for Property Prediction using Machine Learning},
author = {Ishan Kumar and Prateek K Jha},
journal= {arXiv preprint arXiv:2311.14744},
year = {2023}
}