面向可持续聚合物设计：基于分子动力学的玻璃化转变温度预测机器学习方法用于 Vitrimers
材料科学
2025-08-18 v1 化学物理
摘要
Vitrimer 是一种新兴的可持续聚合物类，由动态共价自适应网络支持自愈能力。然而，其有限的分子多样性限制了其属性空间和潜在应用。近期发展的机器学习（ML）技术通过预测属性和虚拟筛选候选化合物来加速聚合物设计，但稀缺的实验性 vitrimer 数据在训练 ML 模型方面存在挑战。为此，我们利用我们前一工作生成的分子动力学（MD）数据训练和基准测试七个覆盖六种特征表示的 ML 模型，用于玻璃化转变温度（Tg）预测。通过对不同模型的预测 Tg 进行加权平均，模型集成方法优于单个模型，实现对未标记数据集的准确且高效的属性预测。我们识别并合成了两种新的 vitrimer，实验验证其 Tg 高于现有的双功能酯交换 vitrimer，同时证明其可自愈。该工作探索了在缺乏足够实验数据时使用 MD 数据训练 ML 模型的可能性，从而实现发现具有优越属性的新型、可绕合的聚合物化学结构。集成的 MD-ML 方法为聚合物化学家提供了一个高效的工具，用于针对不同应用定制聚合物设计。
关键词
引用
@article{arxiv.2503.20956,
title = {Toward Sustainable Polymer Design: A Molecular Dynamics-Informed Machine Learning Approach for Vitrimers},
author = {Yiwen Zheng and Agni K. Biswal and Yaqi Guo and Prakash Thakolkaran and Yash Kokane and Vikas Varshney and Siddhant Kumar and Aniruddh Vashisth},
journal= {arXiv preprint arXiv:2503.20956},
year = {2025}
}