基于白盒机器学习代理的带电聚合物共混物快速相态预测
软凝聚态物质
2025-09-11 v2 应用统计
摘要
相容化聚合物共混物是一类复杂但用途广泛且普遍存在的材料。当二元共混物的组分不相容时,它们通常趋向于宏观相分离状态,但随着静电相互作用的引入,它们可以被均化或转变为微相分离。然而,实验和模拟方法在高效探索带电荷相容化聚合物共混物的广阔设计空间(涵盖化学相互作用、结构特性和组成)时面临重大挑战。在这项工作中,我们引入了一种与聚合物场论相结合的白盒机器学习方法来预测这些系统的相行为,该方法比传统的黑盒机器学习方法准确得多。无规相近似(RPA)计算被用作确定聚合物相态的测试平台。我们不使用机器学习模型直接从大输入空间预测 RPA 计算的聚合物相输出,而是构建了一个并行偏高斯过程模型来预测 RPA 计算中计算量最大的部分,该部分仅涉及聚合物结构参数作为输入。这种方法在几乎 100% 准确度的样本外预测下,大幅降低了广阔输入空间中 RPA 计算的计算成本,实现了聚合物共混物电荷相容化设计的快速筛选。更广泛地说,这种白盒机器学习策略为大幅加速聚合物场论方法以绘制聚合物相行为图提供了一种有前景的方法。
引用
@article{arxiv.2509.07164,
title = {Fast phase prediction of charged polymer blends by white-box machine learning surrogates},
author = {Clayton Ellis and Xinyi Fang and Christopher Balzer and Timothy Quah and M. Scott Shell and Glenn H. Fredrickson and Mengyang Gu},
journal= {arXiv preprint arXiv:2509.07164},
year = {2025}
}
备注
29 pages, 7 figures