可解释的机器学习策略用于聚合物体系热导率的准确预测
应用物理
2024-04-02 v2
摘要
聚合物作为高科技领域进步的关键组成部分，需要研究其热导率（TC）以增强材料属性和能源效率。通过分子动力学（MD）计算和实验测量获得的聚合物TC速度慢，且难以在广泛范围内筛选具有特定TC的聚合物。现有的用于确定聚合物TC的机器学习（ML）技术存在特征空间过大且无法保证非常高精度的问题。在这项工作中，我们利用可访问数据集中的TC，将聚合物的简化分子输入线输入系统（SMILES）解码为十个具有不同物理意义的特征。采用四种ML策略，制定了一种新的聚合物TC评估模型。梯度提升决策树（GBDT）模型是我们设计的重点，在包含400种聚合物的数据集上实现了R=0.88的预测精度。此外，我们使用可解释的ML方法发现了药物相似性定量估计和可旋转键数量特征对TC的重要贡献，并分析了涉及的物理机制。我们开发的ML方法为聚合物的物理建模提供了新思路，有望在构建具有特定TC的聚合物以及预测聚合物的所有其他性质中得到推广和广泛应用。
引用
@article{arxiv.2403.20021,
title = {Interpretable Machine Learning Strategies for Accurate Prediction of Thermal Conductivity in Polymeric Systems},
author = {Chunbo Lin and Han Zheng},
journal= {arXiv preprint arXiv:2403.20021},
year = {2024}
}
备注
The 2024 International Conference on Electrical Materials, Mechanical Automation and Pattern Recognition (EMMAPR 2024)