PolymerGPT: Multi-property Optimization with a Decoder-Based GPT Model for Generative Polymer Design
Texas A&M University(得克萨斯农工大学);University of Pittsburgh(匹兹堡大学);Virginia Tech(弗吉尼亚理工大学);University of North Carolina Greensboro(北卡罗来纳大学格林斯伯勒分校);Old Dominion University(奥多明尼昂大学)
PolymerGPT是一款基于解码器的GPT模型,可将多达37种聚合物属性融入生成过程,经实验验证其在多属性优化的聚合物生成任务中表现优异。
2026-08-04 cond-mat.mtrl-sci cs.AI cs.CE
Polymer Informatics with Multi-Task Learning
现代数据驱动工具正在改变特定应用的聚合物开发周期。可以训练来预测新聚合物性能的替代模型正变得越来越普遍。然而,这些模型并没有利用数据集中可用的全部知识,这些数据集通常是稀疏的;不同属性数据集之间的固有相关性被忽视。在这里,我们展示了多任务学习方法的潜力,这些方法可以有效地利用这种固有的相关性,特别是当一些属性数据集的大小很小时。与超过$13, 000$聚合物的36种不同属性有关的数据(对应于超过$23,000$的数据点)被合并并提供给深度学习多任务架构。与传统的单任务学习模型(在单个属性数据集上独立训练)相比,多任务方法准确,高效,可扩展,并且随着相同或不同属性的更多数据变得可用,可以进行迁移学习。此外,这些模型是可解释的。化学规则,解释了某些功能如何控制特定属性值的趋势,出现在本工作中,为满足所需属性或性能目标的应用特定聚合物的合理设计铺平了道路。
2020-10-28 cond-mat.mtrl-sci cs.LG physics.comp-ph
PolyMon: A Unified Framework for Polymer Property Prediction
Department of Chemistry, Molecular Sciences Research Hub, Imperial College London, White City Campus, Wood Lane, London, W12 0BZ, U.K.(化学系,分子科学研究中心,伦敦帝国理工学院,白城校区,Wood Lane,伦敦,W12 0BZ,英国)
PolyMon框架整合多种聚合物表示方法和机器学习方法,通过系统评估不同表示和模型对预测性能的影响,为聚合物性质预测提供全面的基础。
2026-03-02 cond-mat.mtrl-sci cond-mat.soft cs.LG
ADEPT-PolyGraphMT: Automated Molecular Simulation and Multi-Task Multi-Fidelity Machine Learning for Polymer Property Generation and Prediction
University of Notre Dame(圣母大学)
本文提出结合自动化分子动力学引擎与多任务多保真度机器学习的聚合物信息学框架,通过分子图神经网络学习结构-性质关系,利用模拟数据与实验数据构建62000个聚合物性质数据集,实现多任务学习在预测聚合物性质中的高效应用。
2026-03-28 cond-mat.mtrl-sci physics.chem-ph
Multimodal machine learning with large language embedding model for polymer property prediction
Department of Materials Science and Engineering, University of Delaware, Newark, Delaware 19716, United States(材料科学与工程系,德雷克塞尔大学);Department of Chemistry, University of Pennsylvania, Philadelphia, Pennsylvania 19104, United States(化学系,宾夕法尼亚大学)
针对聚合物性质预测数据稀缺问题,提出融合Llama 3文本嵌入与Uni-Mol结构嵌入并加入LoRA层的PolyLLMem架构,性能媲美甚至优于需大规模预训练的现有模型,可加速先进聚合物材料发现。
2025-04-18 cond-mat.mtrl-sci cs.LG physics.chem-ph
Polymer Composites Informatics for Flammability, Thermal, Mechanical and Electrical Property Predictions
Matmerize Inc.(Matmerize公司);Robert Bosch LLC(罗伯特博世有限责任公司)
针对传统聚合物复合材料性能优化方法成本高且耗时的问题,研究构建了数据库与机器可读数据表示方案,训练并验证了15个性能的机器学习模型,首次将AI辅助设计扩展至该领域。
2024-12-11 cond-mat.mtrl-sci cond-mat.soft
Fine-Tuning Vision-Language Models for Multimodal Polymer Property Prediction
Department of EECS University of Arkansas(电子工程与科学系 亚拉荷加大学);Department of CS Baylor University(计算机科学系 基尔默大学)
本文构建多模态聚合物数据集并利用LoRA微调视觉-语言模型,证明多模态学习在聚合物性质预测上优于单模态方法,同时降低多模型部署维护成本。
2025-11-04 cond-mat.mtrl-sci cs.AI cs.CL
HiPoly: a hierarchical polymer-native AI framework for property prediction and generative design
New York University(纽约大学);University of Chicago(芝加哥大学);Peking University(北京大学)
HiPoly是基于G2RINS的分层聚合物原生AI框架,可处理完整聚合物描述,实现从配方数据到性能预测、生成式设计及物理验证的端到端工作流,在多组分聚合物热性能预测中达最优精度,能加速可持续聚合物替代物发现。
2026-09-03 cond-mat.mtrl-sci cs.AI cs.LG
RadonPy: Automated Physical Property Calculation using All-atom Classical Molecular Dynamics Simulations for Polymer Informatics
数据驱动的材料研究的快速增长使得有必要开发系统设计的开放式材料特性数据库。然而,与其他材料系统(如无机晶体)相比,聚合物材料的开放数据库很少。为此,我们开发了RadonPy,这是世界上第一个用于全自动全原子经典分子动力学(MD)模拟的开源Python库。对于给定的聚合物重复单元,分子建模、平衡和非平衡MD计算以及性质计算的整个过程可以完全自动地进行。在这项研究中,15个不同的属性,包括导热系数,密度,比热容,热膨胀系数,和折射率,计算了超过1,000个独特的无定形聚合物。计算的性能进行了比较,并验证系统与实验值从PoLyInfo。在高通量数据生产过程中,确定了8种具有极高热导率(超过0.4 W/mK)的无定形聚合物,其中包括6种热导率未报告的聚合物。发现这些聚合物具有高密度的氢键单元或刚性主链。在RadonPy中实施的热传导分解分析揭示了产生无定形聚合物高热导率的潜在机制:通过聚合物链与其氢键单元之间的氢键和偶极-偶极相互作用或通过聚合物链之间的偶极-偶极相互作用进行传热。高刚性聚合物骨架的共价键。使用RadonPy创建大量计算性质数据将促进聚合物信息学的发展,类似于无机晶体的第一性原理计算数据库的出现如何显着推动新材料信息学的发展。
2022-03-26 cond-mat.mtrl-sci cond-mat.soft physics.comp-ph
A general-purpose material property data extraction pipeline from large polymer corpora using Natural Language Processing
Georgia Institute of Technology(佐治亚理工学院)
本研究提出一种基于自然语言处理的自动流水线,利用MaterialsBERT模型从聚合物文献摘要中提取材料属性数据,在60小时内获取约30万条记录,并通过网络平台公开数据,验证了自动化提取的可行性。
2022-09-27 cond-mat.mtrl-sci cond-mat.soft cs.CL
Property Decoupling across the Nucleus-Melt Interface during Polymer Crystal Nucleation
提出了空间分布,其定量地捕获聚合物性质(例如,链段排列、密度和势能)随着离原型聚乙烯熔体中的新生聚合物晶体(核)的距离而变化。它揭示了核和它们的接口的空间范围是度量依赖的核内部是固体样的程度。随着与核的距离增加,一些性质(例如密度)比聚合物链段排列更快地衰减为熔融状行为,这表明聚合物核存在于向列状液滴中。这种向列状液滴区域与不是核的一部分的有序聚合物片段的增强形成相一致。它是更有利的,找到非成分有序的聚合物段附近的核比在周围的亚稳熔体,指向一个核诱导其他核的形成的可能性。这些发现提供了非流动条件下聚合物晶体成核和流动条件下聚合物晶体成核之间的概念桥梁,并用于合理化以前的结果。
2020-03-04 cond-mat.mtrl-sci cond-mat.soft physics.atm-clus
Applications of Machine Learning in Polymer Materials: Property Prediction, Material Design, and Systematic Processes
Harbin University of Science and Technology(哈尔滨理工大学)
本文系统综述机器学习在高分子材料领域的应用,梳理基础技术与数据库,阐述其在性能预测、材料设计中的作用及建模流程,总结挑战并展望未来方向。
2025-10-30 cond-mat.mtrl-sci
An Encoder-Decoder Foundation Chemical Language Model for Generative Polymer Design
School of Materials Science and Engineering, Georgia Institute of Technology(佐治亚理工学院材料科学与工程学校)
本文提出polyT5,一种基于T5架构的编码器-解码器化学语言模型,用于生成具有特定性质的聚合物,通过实验验证其在介电聚合物设计中的有效性。
2025-10-21 cond-mat.mtrl-sci cond-mat.soft
Structure/property relationship of semi-crystalline polymer during tensile deformation: A molecular dynamics approach
建立了线性类聚乙烯高分子链系统的粗粒度分子动力学模型,研究了单轴变形过程中结构和力学性能的响应。研究了碳链长度、温度和应变速率等因素对复合材料力学性能的影响。分子动力学测试表明,在高于和低于Tg的温度下,屈服可能由不同的机制控制。在较高温度下观察到熔融再结晶,在较低温度下观察到晶体结构的破坏超过屈服点。而较高的温度和较低的应变速率对力学性能的影响相似。在微观结构中,时间和温度的相关影响更为复杂。通过模拟计算了分子取向参数、键长、反-反构象含量等微观特征的演化。结果表明,温度对聚合物链有双重影响。较高的温度一方面使链更柔韧,而另一方面缩短聚合物的松弛时间。正是这两个方面的相互作用决定了取向参数。在变形过程中,反式构象经历了第一次下降后的上升过程。这些微观结构参数表现出与屈服点密切相关的临界变化。在此基础上,提出了一个假设模型来描述微观结构与性能之间的关系。
2020-05-18 cond-mat.mtrl-sci cond-mat.soft
Gaussian Process Regression-based Knowledge Distillation Framework for Simultaneous Prediction of Physical and Mechanical Properties of Epoxy Polymers
Sindu B.S Special and Multifunctional Structures Laboratory, CSIR-Structural Engineering Research Centre, Taramani, Chennai, Tamil Nadu, India(Sindu B.S 特殊和多功能结构实验室,CSIR-结构工程研究中心,坦马尼,钦奈,泰米尔纳德邦,印度);Fraunhofer Institute for Algorithms and Scientific Computing SCAI, Schloss Birlinghoven, 53757 Sankt Augustin , Germany(弗劳恩霍夫算法与科学计算研究所SCAI,伯灵霍芬城堡,53757圣奥古斯滕,德国)
本文提出一种基于高斯过程回归的知识蒸馏框架,用于同时预测环氧树脂的多种物理和机械性能,通过结合高斯过程的可解释性和深度学习的可扩展性,提升了预测精度。
2026-03-12 cond-mat.mtrl-sci cond-mat.soft cs.LG
Understanding process-structure-property relation for elastoplastic behavior of polymer nanocomposites with agglomeration anomalies and gradient interphase percolation
本研究开发了一种材料模型,结合微观结构实验设计,探索具有团聚和梯度界面渗透的聚合物纳米复合材料的加工-结构-性能关系,发现局部应力集中与界面性能衰减的平衡影响屈服应力改善,并提出局部屈服阻力图作为屈服过程预测和界面设计工具。
2025-04-01 cond-mat.mtrl-sci cond-mat.soft physics.comp-ph
Rethinking Interphase Representations for Modeling Viscoelastic Properties for Polymer Nanocomposites
粘弹性的数值模拟是发展聚合物纳米复合材料的结构-性能关系的关键。虽然人们认识到,改变聚合物区域附近的填料颗粒,界面,显着有助于增强复合材料的性能,界面性能的空间分布很少考虑由于缺乏局部性能测量。近年来,原子力显微镜(AFM)技术已开始使局部性质的测量的界面相。鉴于原子力显微镜数据的可用性越来越高,在这项工作中,提出了一种新的界面表示建模的聚合物纳米复合材料的粘弹性。所提出的界面表示通过两个单独的组件-单体界面梯度和多体复合效应,其功能形式通过数据挖掘学习的界面行为解开。建议的界面表示集成到一个有限元模型,和每个组件的界面表示的效果进行了数值研究。此外,所提出的相间表示的优点被证明通过比较先前的模拟工作,其中只考虑一个统一的有效属性的相间。此外,建议的相间表示被用来解决逆问题的推断空间分布的局部属性使用贝叶斯推断的实验数据。
2018-11-15 cond-mat.mtrl-sci cond-mat.soft physics.comp-ph
Autonomous Multi-Agent AI for High-Throughput Polymer Informatics: From Property Prediction to Generative Design Across Synthetic and Bio-Polymers
Institute of Biomedical Engineering University of Oxford(生物医学工程研究所牛津大学);Department of Mechanical and Aerospace Engineering University of Missouri–Columbia(机械与航空航天工程系密苏里大学-哥伦比亚分校);Center for Engineering, Modeling and Applied Social Sciences Federal University of ABC (UFABC)(工程、建模与应用社会科学中心巴西联邦大学ABC分校)
本文提出一个自主多智能体AI系统,用于高通量聚合物信息学,实现从性质预测到生成设计的跨合成与生物聚合物应用。
2026-01-25 cond-mat.mtrl-sci cond-mat.soft cs.AI
Copolymer Informatics with Multi-Task Deep Neural Networks
Georgia Institute of Technology(佐治亚理工学院)
聚合物信息学工具最近在高效、有效地开发、设计和发现满足特定应用需求的新聚合物方面取得了进展。然而,到目前为止,这些数据驱动的努力主要集中在均聚物上。在这里,我们解决共聚物的属性预测的挑战,扩展的聚合物信息学框架超出均聚物。提出了结合多任务学习和元学习的高级聚合物指纹识别和深度学习方案。包含超过18,000个数据点的玻璃化转变,熔融和降解温度的均聚物和共聚物的最多两个单体的大数据集被用来证明共聚物预测的功效。开发的模型是准确的,快速的,灵活的,可扩展到更多的共聚物性能时,合适的数据变得可用。
2021-03-25 cond-mat.mtrl-sci cs.LG
PolyGraphPy: A unified Python framework for atomistic simulation and machine learning-driven polymer design
University of Minnesota(明尼苏达大学);M Company(3M公司)
提出PolyGraphPy框架,集成原子模拟与贝叶斯图神经网络及两种生成模型,实现聚合物性质预测与从头设计。
2026-07-27 cond-mat.mtrl-sci
Polymer informatics at-scale with multitask graph neural networks
基于人工智能的方法在筛选聚合物库方面变得越来越有效,直到选择可用于实验研究的选择。目前采用的绝大多数聚合物筛选方法依赖于从聚合物重复单元中提取的手工化学结构特征-这是一项繁重的任务,因为聚合物库近似于聚合物化学搜索空间,随着时间的推移逐渐增长。在这里,我们证明了直接“机器学习”的重要功能,从聚合物重复单元是一个廉价和可行的替代手工提取昂贵的功能。我们的方法-基于图神经网络,多任务学习和其他先进的深度学习技术-相对于目前采用的手工方法,将特征提取速度提高了一到两个数量级,而不会影响各种聚合物性能预测任务的模型准确性。我们预计,我们的方法,解锁真正大规模的聚合物文库的筛选,将使更复杂和大规模的筛选技术在聚合物信息学领域。
2023-01-17 cond-mat.mtrl-sci
Toward Sustainable Polymer Design: A Molecular Dynamics-Informed Machine Learning Approach for Vitrimers
针对vitrimers实验数据稀缺问题,利用分子动力学数据训练机器学习集成模型预测Tg,成功发现并合成两种高Tg且可自愈的新型vitrimers,为聚合物设计提供高效工具。
2025-03-26 cond-mat.mtrl-sci physics.chem-ph
From ionic surfactants to Nafion through convolutional neural networks
我们已经将最新的机器学习进展,深度卷积神经网络,应用于三维(体素)软物质数据,由分子动力学计算机模拟生成。我们集中在结构和相的性质的粗粒模型的水合离子表面活性剂。我们已经训练了一个分类器,能够自动检测系统中吸收的水量,因此将每个水合水平与相应的最具代表性的纳米结构相关联。基于迁移学习的概念,我们接下来将相同的网络应用于相关的聚合离聚物Nafion,并提取了这些配置与上述配置的相似性的度量。我们证明,在此基础上,它是可能的表示在固定的水合水平的聚合物的静态结构因子作为叠加的表面活性剂在多个水含量。我们认为,这样的程序可以提供一个有用的,不可知的,数据驱动的,精确的描述无序材料的多尺度结构,而不诉诸任何先验模型图片。
2020-10-14 cond-mat.dis-nn cond-mat.mtrl-sci cond-mat.soft
Bioplastic Design using Multitask Deep Neural Networks
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Georgia Institute of Technology(佐治亚理工学院)
不可降解的塑料废物在陆地和水中停留数十年,危害我们的环境;然而,如果没有塑料,我们的现代生活方式和现有技术是不可能维持的。生物合成和可生物降解的替代品,如聚羟基链烷酸酯(PHA)聚合物家族,有可能用从摇篮到摇篮的材料取代世界上大部分的塑料供应,但它们的化学复杂性和多样性限制了传统的资源密集型实验。在这项工作中,我们开发了多任务深度神经网络属性预测器,使用了近23000种均聚物和共聚物化学物质的实验数据。使用预测因子,我们从近140万个候选者的搜索空间中确定了14种基于PHA的生物塑料,这些生物塑料可以作为七种石油基商品塑料的潜在替代品,这些商品塑料占世界塑料年产量的75%。我们讨论了这些确定的有前途的材料可能的合成路线。开发的多任务聚合物性质预测器作为聚合物基因组项目的一部分在https://PolymerGenome.org上提供。
2022-03-22 cond-mat.mtrl-sci cond-mat.soft cs.LG
A review on the progress of polymer nanostructures with modulated morphologies and properties, using nonporous AAO templates
具有相同化学组成的聚合物可以通过减小尺寸或简单地通过改变其纳米结构来提供不同的性质。最近的文献报道了数百个例子的进展方法在聚合物纳米结构的制造完成以下不同的方法,软光刻,自组装路线,模板辅助的方法,等聚合物纳米结构的调制形态和性能可以很容易地实现从阳极氧化铝(AAO)模板辅助的方法。在过去的十年中,在AAO纳米腔中制造聚合物纳米结构引起了极大的兴趣,因为它允许控制和定制大量聚合物和聚合物基复合材料的尺寸。事实上,聚合物的尺寸可以调整允许的尺寸依赖性的性质的研究。此外,调制的聚合物纳米结构可以从AAO模板方法设计用于特定的应用。考虑到最后的考虑,本文综述了最近的和新的见解,在制造聚合物纳米结构的方法从硬质多孔阳极氧化铝(AAO)模板的重点是在纳米尺度上的聚合物结构/性能关系的研究,并强调在特定的应用中的潜在利益。
2017-06-25 cond-mat.mtrl-sci
Reducing Data Requirements for Sequence-Property Prediction in Copolymer Compatibilizers via Deep Neural Network Tuning
Bellini College of Artificial Intelligence, Cybersecurity \& Computing, University of South Florida, Tampa, Florida, U.S.A.;Department of Chemical, Biological;Materials Engineering, University of South Florida, Tampa, Florida, U.S.A.
针对序列可控聚合物设计缺乏大规模数据集的问题,提出基于低保真度数据预训练深度神经网络再快速调优的策略,可大幅降低不同条件下增容剂序列-界面张力预测的数据需求,助力相关材料设计。
2025-07-29 cond-mat.mtrl-sci cond-mat.soft cond-mat.stat-mech
Polymer Nanocomposites: synthesis and characterization
本章介绍了聚合物纳米复合材料(PNC)的基本性质及其特性,这些特性在决定其先进储能装置的能力方面起着重要作用。用于制备的聚合物电解质的各种合成方法进行了描述,随后由用于分析的表征技术。描述了聚合物主体、盐、纳米填料、离子液体、增塑剂和纳米粘土/纳米棒/纳米线的性质。重点介绍了纳米粒子在聚合物电解质中不同分散状态下的离子传输机理。总结了各种重要成果,并为实现经济和环境友好的未来可再生能源的梦想建立了一条途径。第一章的动机是集中在调查的作用,聚合物主机,纵横比,表面积,纳米粒子的形状和大小方面的提高PNC的电解/电化学性能。这将有助于为开发具有整体平衡性能的先进聚合物材料打开新的大门,以增强快速固态离子导体,这将彻底改变能量存储/转换器件技术。
2018-07-10 cond-mat.mtrl-sci
POINT$^{2}$: A Polymer Informatics Training and Testing Database
University of Notre Dame(圣母大学)
研究引入POINT$^{2}$综合基准数据库与协议,利用多种ML模型和聚合物表示,实现性质预测、不确定性量化、可解释性及可合成性评估,推动聚合物发现与优化。
2025-03-30 cond-mat.mtrl-sci cs.AI cs.LG
Orbital Graph Convolutional Neural Network for Material Property Prediction
Carnegie Mellon University(卡内基梅隆大学);University of Calgary(卡尔加里大学)
与机器学习模型兼容的材料表示在开发具有高精度属性预测的模型方面发挥着关键作用。原子轨道相互作用是决定晶体材料性质的重要因素之一,从原子轨道相互作用可以推断出晶体材料中原子的局部化学环境。因此,为了开发用于材料性能预测的鲁棒机器学习模型,必须包括代表这些化学属性的特征。在这里,我们提出了轨道图卷积神经网络(OGCNN),这是一种晶体图卷积神经网络框架,包括原子轨道相互作用特征,可以以稳健的方式学习材料特性。此外,我们将编码器-解码器网络嵌入到OGCNN中,使其能够学习基本原子(元素特征),轨道-轨道相互作用和拓扑特征中的重要特征。我们研究了该模型在广泛的晶体材料数据上的性能,以预测不同的性质。我们将OGCNN模型的性能与以下各项进行了基准测试:1)晶体图卷积神经网络(CGCNN),2)其他最先进的材料表示描述符,包括多体张量表示(MBTR)和原子位置平滑重叠(SOAP),以及3)其他传统的回归机器学习算法,其中使用了不同的晶体特征化方法。我们发现OGCNN明显优于它们。OGCNN模型具有较高的预测精度,可以在材料的巨大相空间和化合物空间中发现新材料
2020-08-14 cond-mat.mtrl-sci cs.LG physics.comp-ph
Global Attention based Graph Convolutional Neural Networks for Improved Materials Property Prediction
University of South Carolina(南卡罗来纳大学);Guizhou University(贵州大学)
机器学习(ML)方法在探索和开发新材料方面越来越受欢迎。更具体地说,图神经网络(GNN)已被应用于预测材料性能。在这项工作中,我们开发了一种新的模型,GATGNN,用于预测无机材料性能的基础上,由多个图形注意层(GAT)和一个全局注意层的图形神经网络。通过GAT层的应用,我们的模型可以有效地学习每个原子的局部邻域内的原子之间共享的复杂键。随后,全局注意力层提供无机晶体材料中每个原子的权重系数,这些权重系数用于显著改善我们的模型的性能。值得注意的是,随着我们的GATGNN模型的发展,我们表明我们的方法能够超越以前模型的预测,并提供对材料结晶的深入了解。
2020-03-11 cond-mat.mtrl-sci cs.LG physics.comp-ph
Gas permeability, diffusivity, and solubility in polymers: Simulation-experiment data fusion and multi-task machine learning
针对传统聚合物气体渗透性ML模型在新化学空间可靠性低的问题,提出结合机器生成指纹、数据融合与多任务学习的框架,融合模拟与实验数据同时预测渗透性、扩散系数和溶解度,泛化性与准确性显著提升。
2024-06-21 cond-mat.mtrl-sci
Computational Indentation in Highly Cross-linked Polymer Networks
压痕法是研究高分子材料力学性能的常用实验方法。使用压痕的主要优点是因为这提供了微观结构和小尺度机械响应之间的直接相关性,这在标准拉伸测试中是困难的。在这里,大多数研究已经研究了水凝胶、微凝胶和/或弹性体。然而,一个较少研究的系统是高度交联的聚合物(HCP)网络中的压痕,其中复杂的网络结构在决定其物理性质方面起着关键作用。在这项工作中,我们调查的HCP网络的结构与性能的关系,使用的通用模型的计算缩进。我们建立了局部键断裂,网络重排,和小尺度力学之间的相关性。并与弹-塑性形变模型进行了比较。HCP在压痕时硬化。
2022-05-05 cond-mat.mtrl-sci cond-mat.soft
One-Pot Printing of Robust Multimaterial Devices
聚合物3D打印是一种广泛的制造方法,可以制造复杂的结构,因此,许多努力都集中在配制可加工的化学物质,以在打印部件中产生理想的材料行为。然而,当前的树脂化学通常导致一旦完全聚合就具有单一的固定性质,这一事实对获得多材料装置提出了重大的工程挑战。作为单一性能材料的替代方案,我们引入了一种三元顺序反应方案,该方案通过深刻改变单一树脂组合物内的聚合物微观结构来表现出不同的多材料性能。在这个系统中,3D打印过程中的光剂量为每个后续反应设定了转化的形状和程度。后续阶段的这种不同的聚合机理产生不同的交联密度和粘弹性。因此,我们的材料具有跨越三个数量级(400 kPa < E < 1.6 GPa)的杨氏模量,在软区域和硬区域之间具有平滑过渡。我们成功地在一毫米内实现了500倍的模量变化,而我们的聚合物网络的顺序组装确保了坚固的界面,并将韧性提高了10倍。最重要的是,最终的物体对紫外线和热老化保持稳定,这是以前多材料化学应用的关键限制。我们通过制造柔软的可穿戴盲文显示器来展示3D打印复杂的多材料架构的能力。
2022-09-30 cond-mat.mtrl-sci
Quantification of Cyclic Topology in Polymer Networks Using 3D Nets
本文提出基于 3D 网格的聚合物网络拓扑建模新形式体系及循环计数算法,通过局部环分布与距离度量揭示网络基本环尺寸,为量化循环拓扑和研究拓扑-性质相关性提供有效方法。
2024-06-25 cond-mat.mtrl-sci
Assessing and Improving Machine Learning Model Predictions of Polymer Glass Transition Temperatures
材料基因组计划的成功为材料发现的数据驱动方法带来了机会。聚合物基因组(PG)是一种基于机器学习(ML)的数据驱动信息学平台,用于聚合物性能预测,其最近的发展显着提高了聚合物设计的效率。尽管如此,“训练数据”的不断扩展对于提高ML预测的鲁棒性、通用性和准确性是必要的。为了测试PG中目前可用的预测模型的性能和可移植性(之前在450种聚合物的数据集上进行了训练),我们仔细收集了来自多个数据源的871种聚合物的额外实验玻璃化转变温度(Tg)数据。将新收集的数据集中聚合物的当前PG模型预测的Tg值直接与实验Tg进行比较,以估计当前模型的准确性。使用1321种聚合物的完整数据集,根据过去的工作建立了一个新的Tg ML模型。扩展数据集的预测RMSE与早期数据集相比,从57 K下降到27 K。为了进一步提高Tg预测模型的性能,我们正在继续积累新数据并探索新的ML方法。
2019-08-06 cond-mat.mtrl-sci physics.comp-ph
Can LLMs Predict Polymer Physics Just by Reading Synthesis and Processing Prose?
Yale University(耶鲁大学);UC Davis(加州大学戴维斯分校);Indiana University Bloomington(印第安纳大学布卢明顿分校)
本文提出PolyLM模型,通过自然语言直接预测材料性能,利用大规模文献数据训练,实现高精度预测,展示了自然语言在材料性能预测中的强大潜力。
2026-05-07 cond-mat.mtrl-sci cs.AI cs.LG
MT-CGCNN: Integrating Crystal Graph Convolutional Neural Network with Multitask Learning for Material Property Prediction
Indian Institute of Science(印度科学学院);Shell Technology Centre Bangalore(壳牌班加罗尔技术中心)
开发准确、可转移且计算成本低廉的机器学习模型可以快速加速新材料的发现和开发。开发此类模型所涉及的一些主要挑战是:(i)与其他领域相比,材料数据的可用性有限,(ii)缺乏通用的材料描述符来预测其各种属性。材料数据的有限可用性可以通过迁移学习来解决,而通用表示最近由Xie和Grossman [1]解决,他们开发了一种晶体图卷积神经网络(CGCNN),提供了晶体的统一表示。在这项工作中,我们通过将CGCNN与基于多任务(MT)学习的迁移学习相结合,开发了一种新的模型(MT-CGCNN)。我们证明了MT-CGCNN的有效性,通过同时预测各种材料的性质,如形成能,带隙和费米能为广泛的无机晶体(46774材料)。MT-CGCNN在相关属性上使用时能够将测试误差降低高达8%。与CGCNN相比,该模型预测具有更低的测试误差,即使当训练数据减少10%时。我们还通过预测与金属/非金属分类相关的最终用户场景来展示我们的模型的更好性能。这些结果鼓励进一步开发机器学习方法,这些方法利用多任务学习来解决发现新材料中的上述挑战。我们提供MT-CGCNN的源代码,以鼓励可重复的研究。
2018-11-14 cond-mat.mtrl-sci cs.LG stat.ML
Martini coarse-grained model for clay-polymer nanocomposites
我们已经开发了一个粗粒(CG)模型的聚合物-粘土系统组成的有机改性蒙脱土纳米粘土的纳米粒子按照MARTINI力场。利用粘土颗粒的力学性质和裂解自由能分别表征了有机改性蒙脱土(oMMT)粘土颗粒的键合和非键合相互作用参数,其中钠离子被四甲基铵(TMA)离子取代。力学性能由应力-应变曲线的斜率确定,解理自由能通过允许对应于缓慢平衡解理过程的完全表面重构来确定。使用对oMMT裂解能的个体分散和极性贡献来确定CG oMMT片的适当MARTINI珠类型。开发的MARTINIFF参数的TMA-MMT-聚合物系统的自洽性进行了验证,通过比较估计选择的结构,热力学和动力学性质得到的全原子模拟与粗粒度的模拟。我们已经确定了粘土颗粒对三种聚合物熔体(聚乙烯,聚丙烯和聚苯乙烯)在两个温度下的性能的影响,以建立开发的参数的可转移性。我们还表明,粘土-聚合物相互作用的影响,在这种纳米复合材料系统的结构-性能关系被罗森菲尔德的过剩熵标度。
2019-07-15 cond-mat.mtrl-sci cond-mat.soft
Growth model investigation of Vanadium-Benzene Polymer
用密度泛函理论研究了VnBzn+1夹心团簇的电子和磁性.用生长模型研究了钒-苯夹心团簇的性质变化。结果表明,当n<8时,所有V离子的自旋都趋于铁磁态,VnBzn+1的磁矩随n线性增加.晶体尺寸效应导致VnBzn+1磁性的非单调行为。当n=8时,VnBzn+1的电子性质与钒苯无限导线的电子性质具有相同的特征,因此VnBzn+1的临界长度定义为8。此外,我们的研究结果表明,钒-苯无限导线是一个合适的自旋极化输运材料,并在外部电子和磁场的存在下具有高的稳定性。
2010-02-23 cond-mat.mtrl-sci cond-mat.other
A Physics-Enforced Neural Network to Predict Polymer Melt Viscosity
本文提出一种物理强制神经网络(PENN),通过编码参数化方程预测聚合物熔体粘度,在外推至未见分子量、剪切速率和温度时优于传统人工神经网络和高斯过程回归模型。
2024-09-08 cond-mat.mtrl-sci cs.CE
Comparing simulated specific heat of liquid polymers and oligomers to experiments
比热是凝聚物质系统的中心性质,包括在其凝聚相中的聚合物和低聚物。然而,从分子模拟和实验数据的成功比较预测这个数量是稀缺的,如果存在的。其中一个原因可能是,内能和比热不能粗粒度计算,因此无法用联合原子模型进行严格计算。此外,聚合物中的许多模式由于其量子力学性质而几乎不对比热做出贡献。在这里,我们表明,分析的质量加权速度自相关函数允许特定的热预测进行校正的量子效应,使协议与实验数据是与其他常规计算量的预测。我们概述了如何构建修正的全原子和联合原子描述的链分子。计算的11种烃低聚物和商品聚合物的校正在9个分子的子集内偏离小于$k_\textrm{B}/10$。所得结果对导热系数的预测有一定的参考价值。
2021-04-27 cond-mat.mtrl-sci cond-mat.soft cond-mat.stat-mech
Modeling of Polymer Clay Nanocomposite for a Multiscale Approach
用纳米薄粘土片晶(高纵横比)增强的聚合物的机械性能增强与每单位体积的高聚合物-填料界面面积相关。完全分离(剥离)的片晶的理想情况在实践中通常难以实现:典型的纳米复合材料还包含插层片晶的多层堆叠。在这里,我们使用数值模拟来研究如何血小板性质影响整体的机械性能。血小板的配置建模使用的代表性体积元素(RVE)的方法,其中的“样品”的异质材料的合奏(与周期性边界条件)的统计解释。一个简单的蒙特卡罗算法是用来放置在RVE根据一组指定的统计分布的非相交血小板。片晶-基质系统的有效刚度通过测量由于对边界施加小变形而产生的应力(使用标准有限元分析)并在整个统计系综上求平均来确定。在这项工作中,我们确定的方式,其中血小板的属性(曲率,填充分数,刚度,纵横比)和堆叠中的层数影响纳米复合材料的整体刚度增强。因此,我们弥合了宏观尺度上的行为与纳米增强尺度上的行为之间的差距,形成了多尺度建模框架的一部分。
2008-09-05 cond-mat.mtrl-sci
A fast transferable method for predicting the glass transition temperature of polymers from chemical structure
提出一种结合基团加和与定量结构-性质关系的快速可迁移方法,仅用两个分子描述符即可准确预测聚合物的玻璃化转变温度,解决了传统GAP方法的局限。
2024-11-10 cond-mat.dis-nn cond-mat.mtrl-sci cond-mat.soft
On the use of neural networks for the structural characterization of polymeric porous materials
University of Valladolid(巴利亚多利德大学);BioEcoUVA Research Institute on Bioeconomy, University of Valladolid(巴利亚多利德大学生物经济BioEcoUVA研究所)
针对聚合物多孔材料结构表征现有方法耗时且易受人为误差影响的问题,本文研究基于卷积神经网络的深度学习技术,通过微调Mask R CNN模型并在四类聚合物多孔材料SEM图像数据集测试,实现数秒内输出与手动方法精度相当的结果,提升效率与可靠性。
2025-01-25 cond-mat.mtrl-sci cond-mat.soft cs.CV