聚合物中的气体渗透率、扩散率和溶解率：仿真-实验数据融合与多任务机器学习

预测聚合物中气体渗透率的机器学习（ML）模型传统上依赖实验数据。虽然这些模型在熟悉的化学领域中表现稳健，但在应用到新领域时可靠性会下降。为此，我们提出了一个多层次多任务学习框架，配合高级机器精制的聚合物指纹算法和数据融合技术。该框架将稀缺的"高保真"实验数据与丰富的多样化"低保真"仿真或合成数据相结合， resulting in具有高度可泛化性的预测模型。此外，此多任务方案利用已知物理和相关属性，如气体扩散率和溶解率，这些属性都与渗透率紧密相关。通过将高通量生成的仿真数据与用于气体渗透率、扩散率和溶解率的可用实验数据相融合，我们构建了多任务深度学习模型。这些模型可以同时预测所有考虑的气体的所有三个属性。与仅依赖单个属性实验数据的传统模型相比，预测准确率显著提高，尤其是在单个属性方面。这种策略凸显了将高通量经典仿真与数据融合方法相结合，以产生业界领先的属性预测器的潜力，尤其是在针对特定属性的实验数据稀缺时。