通过机器学习预测二嵌段共聚物形貌
化学物理
2023-09-01 v1 机器学习
摘要
本文提出一种机器学习方法，以加速大尺度域上长时间尺度的嵌段聚合物形貌演化计算。该策略利用了单体尺度粗粒化粒子演化与介观尺度缓慢形貌演化之间的特征时间分离。与经验连续介质模型不同，所提方法直接从基于粒子的模拟中学习随机驱动的缺陷湮灭过程。我们采用了一种尊重不同边界条件的 UNet 架构，从而允许任意形状的周期性边界与固定基底边界条件。物理概念也通过损失函数引入，对称性则通过数据增强纳入。该模型使用三个不同用例进行验证。可解释人工智能方法被用于可视化随时间的形貌演化。该方法能够生成大系统尺寸与长轨迹，以研究缺陷密度及其在不同约束类型下的演化。作为一个应用，我们展示了获取后期形貌对于理解单个嵌段内粒子扩散的重要性。本工作对微电子、电池材料与膜中的定向自组装及材料设计具有启示意义。
引用
@article{arxiv.2308.16886,
title = {Prediction of Diblock Copolymer Morphology via Machine Learning},
author = {Hyun Park and Boyuan Yu and Juhae Park and Ge Sun and Emad Tajkhorshid and Juan J. de Pablo and Ludwig Schneider},
journal= {arXiv preprint arXiv:2308.16886},
year = {2023}
}
备注
51 page, 11 Figures and 5 figures in the SI