自组装的机器学习预测及分子结构对临界堆积参数依赖性的分析
材料科学
2023-10-10 v1 软凝聚态物质
摘要
两亲分子基于分子结构、浓度和温度等物理条件自发形成自组装结构。这些结构依据其形态展现出多种有用功能。临界堆积参数的概念用于将自组织结构与化学组成相关联。然而,除非同时理解分子排列与自组装图案,否则直接用于分子设计的计算仍具挑战。本研究中,我们尝试直接从分子化学结构预测其自组装结构,并利用机器学习分析影响它的因素。采用耗散粒子动力学模拟复现了由多种化学结构构成的众多自组装结构,并计算了其临界堆积参数。以化学结构为输入数据、临界堆积参数为输出数据构建了机器学习模型。结果,随机森林与一种称为 GRU 的循环神经网络均展现出高预测精度。通过特征重要性分析及对样本量的依赖性揭示,分子的两亲性显著影响其自组装结构。此外,强调了为各算法选择适当分子结构表示的重要性。本研究结果将有助于进一步精简材料科学、材料化学与医用材料领域的产品开发。
引用
@article{arxiv.2310.04667,
title = {Machine learning prediction of self-assembly and analysis of molecular structure dependence on the critical packing parameter},
author = {Yuuki Ishiwatari and Takahiro Yokoyama and Tomoya Kojima and Taisuke Banno and Noriyoshi Arai},
journal= {arXiv preprint arXiv:2310.04667},
year = {2023}
}
备注
10 pages, 9 figures