机器学习模型预测聚合物玻璃化转变温度的可解释性与可迁移性
软凝聚态物质
2023-08-22 v1
摘要
机器学习为开发聚合物结构-性能关系的代理模型提供了有前景的工具。代理模型可基于现有聚合物数据构建，并有助于快速预测未知聚合物的性能。此类 ML 模型的准确性似乎取决于聚合物的特征空间表示、训练数据的范围以及学习算法。在此，我们针对预测聚合物玻璃化转变温度建立了这些因素间的联系。我们的分析表明，具有较少拟合参数的线性模型与具有大量隐藏且不可解释参数的非线性模型同样准确。此外，发现基于单体拓扑的 ML 模型性能与基于物理化学描述符的 ML 模型在定性上一致。我们发现 ML 模型的可迁移性随训练数据属性范围的增大而增强。而且，我们通过 ML 建立了新的 Tg 聚合物化学相关性。我们的工作阐释了 ML 如何推进对聚合物结构-性能相关性的基础理解。
引用
@article{arxiv.2308.09898,
title = {Explainability and Transferability of Machine Learning Models for Predicting the Glass Transition Temperature of Polymers},
author = {Agrim Babbar and Sriram Ragunathan and Debirupa Mitra and Arnab Dutta and Tarak. K Patra},
journal= {arXiv preprint arXiv:2308.09898},
year = {2023}
}