Как оценить свойства нового полимера еще до его получения в лаборатории? Российские исследователи разработали систему машинного обучения, которая прогнозирует характеристики материала по молекулярной структуре мономера — исходного соединения, из которого образуется полимер.
В работе участвовали специалисты МГТУ имени Н. Э. Баумана, Института общей и неорганической химии имени Н. С. Курнакова РАН и МГУ имени М. В. Ломоносова. Результаты опубликованы в журнале Chemical Engineering Science.
Система оценивает четыре показателя: плотность, температуру стеклования, температуру плавления и температуру начала термического разложения. Эти характеристики помогают понять, как материал ведет себя при нагревании и какие условия применения ему подходят.
Чтобы сделать прогноз, алгоритм использует числовое описание молекулярной структуры. Исследователи сравнили пять групп таких признаков: от характеристик атомов и химических связей до параметров электронной структуры. По результатам сравнения наиболее точными оказались признаки, основанные на подходе Аскадского и учитывающие объемные вклады атомов.
Для обучения и проверки использовали базу PolyInfo. В выборки вошли около 1,6 тыс. записей о плотности, 7,7 тыс. — о температуре стеклования, 3,5 тыс. — о плавлении и 5,9 тыс. — о начале термического разложения. По оценке авторов, точность моделей сопоставима с современными решениями для этих задач.
Особенность подхода — возможность объяснять прогноз через понятные физические и химические характеристики. В перспективе это может помочь отбирать материалы для дальнейших исследований и сократить число поисковых экспериментов. Для переработчиков полимеров такие разработки интересны как основа будущих инструментов выбора сырья. Однако лабораторные испытания и проверка материала на конкретном оборудовании остаются необходимыми.
В качестве заключения можно отметить и запомнить на будущее, что теперь создана новая систему для прогнозирования свойств полимеров, основанную на физически обоснованных и химически интуитивно понятных дескрипторах. То есть на некоторых числовых признаках, которые описывают устройство молекулы. Например, на размерах составляющих ее атомов, количестве определенных групп атомов и характере связей между ними. Это похоже на оценку свойств здания по его материалам и конструкции: важно знать, из чего оно построено и как соединены детали. Алгоритм ищет связь между такими признаками и свойствами полимера — например, температурой плавления.
