Accounts of Materials Research分享 http://blog.sciencenet.cn/u/AMRshanghai

博文

华东理工大学林嘉平教授团队:机器学习辅助设计先进高分子材料 精选

已有 2611 次阅读 2024-5-13 10:57 |系统分类:论文交流

华东理工大学林嘉平教授团队:机器学习辅助设计先进高分子材料

近日,华东理工大学林嘉平教授团队的AMR述评文章“Machine Learning-Assisted Design of Advanced Polymeric Materials”在线发表,并入选美国化学会的ACS Editors' Choice栏目进行亮点报道。文章系统梳理了应用机器学习和数据驱动等新范式开展先进高分子材料设计的研究思路和方法,综述了近年来的代表性工作,并总结了应用新范式进行高分子材料研究所面临的挑战,提出了可能的解决路径和未来发展方向。

关键词:先进高分子材料;人工智能;结构设计;机器学习;多尺度结构

The ML-assisted design strategy can offer a new methodology for discovering high-performance polymeric materials, and revolutionize the traditional trial-and-error design approach of polymeric materials.

1 文章内容简介

高分子材料研究正在进入机器学习(ML)和大数据驱动的新研究范式。机器学习辅助设计已被证明是设计新型高性能高分子材料的成功方法,主要通过以下流程实现:结构数字化表示和数据库构建,建立基于ML的性能预测模型,虚拟设计与高通量筛选。其关键在于利用已有高分子材料数据(例如,结构、组分和性能数据),建立ML模型来描述结构与性能关系。然而,高质量的高分子材料数据相对稀缺,高分子内禀复杂的多尺度结构与性能关系,为这种ML辅助材料设计方法带来了数据和建模方面的极大挑战。

640.png

本述评总结了机器学习辅助设计高分子材料的最新进展。在结构表示和数据库构建方面,高分子数字化表示采用的方法主要源于化学信息学,也发展了一些考虑高分子多尺度结构特征的结构表示方法。在ML性能预测模型建立方面,可通过选择和优化模型使其在巨大的化学结构空间中表现出较高的预测精度,一些先进的ML算法,如迁移学习和多任务学习,也被用来解决数据和建模方面的挑战。在结构设计与筛选中,通过合理地定义并组合高分子的基因(即基团或组分),可生成海量虚拟的候选高分子材料,进而应用ML模型对其性能进行预测和高通量筛选。最后,通过计算机模拟和实验等手段,对筛选出的高分子材料进行验证。

本述评呈现了林嘉平教授团队近年来在该领域的代表性工作,尤其是在结构数字化方法、数据库建立、结构设计与筛选方法等方面的贡献。为了更好地描述高分子多尺度结构,他们提出了聚合物指纹、交联结构描述符等结构表示新方法。他们建立了AI plus Polymers数据库,涵盖了高分子材料尤其是热固性树脂的海量结构性能数据。针对实验和模拟的高分子数据差异,他们提出了多保真度的数据融合方法。此外,他们进一步发展了图神经网络、贝叶斯优化等方法,应用于高分子材料的性能预测、结构及配方的理性设计。

本述评最后强调了这一新兴领域当前所面临的挑战,并指出了未来发展方向。例如,建立针对高分子多尺度结构的数字化表示新方法,发展先进的ML建模方法来描述高分子复杂的结构与性能关系,以及建立基于化学语言的高分子材料大模型。此外,开发高分子的高通量合成和表征技术及设备,应用ML推动高分子理论发展、提升计算模拟效率,也值得关注。未来,机器学习和数据驱动的研究范式有望加速先进高分子材料创新步伐,推动高分子材料实现智能设计与制造。

640 (1).png

2 AMR:您选择该领域的初心是?

作者团队:

进入21世纪,大数据科学和机器学习的快速发展,使科学研究从实验观察、理论推演、计算模拟进入到基于人工智能(AI)的第四范式。近年来,一个极具挑战的课题,就是将Al应用到材料领域,实现研究范式上的突破。但是,当前国内外相关研究主要集中在金属和无机材料方面,对高分子材料的研究相对较少。一方面是由于高质量的高分子材料结构性能数据相对匮乏,另一方面高分子材料内禀的分子结构-聚集态结构-成型加工等多尺度结构与性能关系,使应用AI新范式开展研究的难度和复杂程度大幅增加。团队自2013年就开始该领域的研究,建立适用于高分子材料的AI新范式,加速高性能高分子材料研发步伐,创制系列国家亟需的高分子新材料。

3 AMR:您对这个领域的发展有何种愿景?

作者团队:

当前,国家在航空航天、能源低碳、先进装备等领域亟需诸多先进高分子材料,应用传统试错法的研究范式耗时耗力,难以满足新材料的更新换代需求。基于AI的研究新范式,可显著提升新材料的研发效率,实现原始创新,并可望解决上述试错法长期难以解决的设计难题。未来,进一步发展的机器学习辅助高分子材料设计方法,可应用到树脂基复合材料、有机光伏材料、生物高分子材料、电子信息材料等领域,加速这些领域的新材料研发。此外,该领域的发展,将进一步推动高分子学科尤其是高分子理论和计算模拟的发展,具有重要的科学价值。

作者团队简介

640 (2).png

高梁,华东理工大学副教授。2013年华东理工大学本科毕业,2019年华东理工大学博士毕业,毕业后留校任教至今。主要从事高分子材料基因组、高分子理论模拟研究,以第一/通讯作者在J. Am. Chem. SocAngew. Chem. Int. Ed.Acc. Mater. Res.Nano Lett.Engineering、Macromolecules 等期刊发表论文22篇。主持国家自然科学基金青年基金、基金委重大项目子课题、国家重点研发计划子课题等项目研究,获上海市教委“晨光计划”、上海市科委“扬帆计划”、上海市“超级博士后〞激励计划等省部级项目资助。

640 (3).png

林嘉平,华东理工大学特聘教授。任华东理工大学学术、学位委员会委员,国务院学位委员会第7、8届学科评议组(材料科学与工程组)成员、中国材料研究学会理事、英国皇家化学会会士。任《功能高分子学报》主编,Journal of Polymer ScienceGiantPolymer International、《高分子学报》、《高分子材料科学与工程》等期刊编委。主要从事高分子材料基因组、高分子理论模拟、高分子自组装和生物医用高分子的研究,先后承担了国家自然科学基金重大项目、重点项目、面上项目,教育部科学技术研究重大项目。2004年入选教育部新世纪优秀人才,2005年获得国务院特殊津贴,2008年入选上海市领军人才,2009年获得国家杰出青年基金,入选国家新世纪百千万人才工程。

640 (4).png

王立权,华东理工大学教授。2005年华东理工大学本科毕业,2011年华东理工大学博士毕业。毕业后留校任教至今,期间(2016年2月~2017年2月)在加州理工学院作访问学者,师从高分子理论界著名学者Zhen-Gang Wang教授。主要从事针对高性能树脂设计的材料基因工程、高分子理论计算与模拟的研究工作。在Angew. Chem. Int. Ed.、Nano Lett.Chem. Mater.Macromolecules等期刊上发表SCI论文100余篇。曾获上海市优秀博士学位论文奖(2013);研究工作获得国家自然科学基金、基础加强计划重点研究项目专题和上海市人才发展基金等项目资助。

640 (5).png

杜磊,华东理工大学特聘教授。1965年南京大学毕业后分配至航天四院从事航天动力材料、推进理论与工程研究,曾任室主任、所总工程师、副所长和副院长,主持专业研究和重大工程研究;2000年调任航天八院科技委副主任,型号总指挥,主持材料研究和重大工程研制;1985年至1987年美国宾州大学材料系高分子部访问学者,从事高分子物理化学研究工作;1993年任航天部学位委员会委员,1996年任国际化学推进专家委员会委员,1996年评为国家级有特殊贡献中青年专家。

课题组主页:

https://jlinlab.ecust.edu.cn

640 (6).png

扫码阅读林嘉平教授团队的精彩Account文章:

640 (7).png

Machine Learning-Assisted Design of Advanced Polymeric Materials

Liang Gao, Jiaping Lin*, Liquan Wang, and Lei Du

原文链接:

https://pubs.acs.org/doi/10.1021/accountsmr.3c00288

投稿指南目前Accounts of Materials Research的投稿主要基于编辑团队的邀请。如您有意投稿,请先按照Author Guidelines的要求准备并投递proposal, 编辑团队会对您的proposal进行评审。如果proposal被接受,我们将向您发送投稿邀请。扫码阅读作者指南,下载proposal form:

640 (8).png640.jpg



https://blog.sciencenet.cn/blog-3529677-1433839.html

上一篇:大连化物所王军虎研究员团队:普鲁士蓝类似物及其衍生物:从精细的微观结构设计到高效类芬顿反应应用
下一篇:加拿大阿尔伯塔大学/深圳大学骆静利院士团队:二氧化碳电解阴极材料设计的最新进展,从室温到高温
收藏 IP: 117.185.36.*| 热度|

1 崔锦华

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-5-21 05:54

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部