通过深度神经网络调优降低共聚物兼容剂序列-性质预测的数据需求

合成序列控制聚合物承诺通过将合成聚合物的化学多样性与生物学蛋白质的精确序列介导功能相结合来变革聚合物科学。然而,由于缺乏与演化分子紧密相关的大规模数据集以加速蛋白质的设计,因此这些材料的设计证明极其困难。我们在此报告一种新的人工智能策略,可显著降低加速这些材料设计所需的数据量。我们聚焦于连接兼容剂分子重复单元序列与其降低不同聚合物域之间界面张力能力的数据。由于兼容剂的最优序列对于诸如混合废弃聚合物回收等应用至关重要,其性能高度取决于变量如浓度和聚合物的化学细节。在当前方法下,这需要一个完全不同的数据集才能在每个条件下进行设计。我们展示了在一个集合的条件下在低保真度数据上训练的深度神经网络,可被快速调谐以进行不同集合条件下的高保真度预测,所需数据远少于通常需要的数据。这一引介-调谋方法应允许单个低保真母数据集显著加速整个相关系统体系的预测和设计。从长远来看,这可能还提供一种利用快速粗糙模拟从 AI 洞察中引导定量原子级设计的途径。