Meine Merkliste
my.chemie.de  
Login  

Erfolgreiche Anwendung des maschinellen Lernens für die Entdeckung neuer Polymere

24.07.2019

Abbildung 1. Entdeckungsprozess: Der ML-Workflow besteht aus zwei verschiedenen Schritten der Vorhersage: der Vorwärts- und Rückwärtsvorhersage. Das Ziel der Vorwärtsvorhersage ist es, eine Reihe von Vorhersagemodellen zu erstellen, die verschiedene polymere Eigenschaften (z.B. Wärmeleitfähigkeit, Glasübergangstemperatur) in Abhängigkeit von chemischen Strukturen in den verfassungsmäßigen Wiederholungseinheiten beschreiben. Hier wurde ein ML-Framework namens Transfer-Learning verwendet, um das Problem der begrenzten Daten zur Wärmeleitfähigkeit zu überwinden: Vorhersagemodelle einiger Proxy-Eigenschaften wurden auf großen Datensätzen vortrainiert, und dann wurden die vortrainierten Modelle mit den begrenzten Daten der Zieleigenschaft fein abgestimmt. Umgekehrt zu den trainierten Vorwärtsmodellen haben wir ein Rückwärtsmodell abgeleitet, das durch eine gewünschte Eigenschaftsanforderung bedingt ist. Durch die Lösung dieses inversen Problems wurden Materialien mit den gewünschten Eigenschaften rechnerisch erstellt.

Als eindrucksvolles Beispiel dafür, wie künstliche Intelligenz (KI) die Entdeckung neuer Materialien beschleunigen kann, haben Wissenschaftler in Japan Polymere mit hoher Wärmeleitfähigkeit entwickelt und verifiziert - eine Eigenschaft, die der Schlüssel zum Wärmemanagement wäre, zum Beispiel in den Mobilfunktechnologien der fünften Generation (5G). Ihre Studie hebt die großen Vorteile von maschinellen Lernmethoden gegenüber traditionellen Methoden der Suche nach Hochleistungswerkstoffen hervor.

Eine gemeinsame Forschungsgruppe mit Ryo Yoshida (Professor und Direktor des Data Science Center for Creative Design and Manufacturing am Institute of Statistical Mathematics[ISM], Research Organization of Information and Systems), Junko Morikawa (Professor an der School of Materials and Chemical Technology, Tokyo Institute of Technology[Tokyo Tech]), und Yibin Xu (Group Leader of Thermal Management and Thermoelectric Materials Group, Center for Materials Research by Information Integration, Research and Services Division of Materials Data and Integrated System[MaDIS], NIMS) hat die vielversprechende Anwendung von Machine Learning (ML) - eine Form der KI, die es Computern ermöglicht, aus gegebenen Daten zu "lernen" - zur Entdeckung innovativer Materialien demonstriert.

In der Open-Access-Zeitschrift npj Computational Materials zeigen die Forscher, dass ihre ML-Methode mit dem "Transferlernen" die Entdeckung von Materialien mit gewünschten Eigenschaften auch aus einem überaus kleinen Datensatz ermöglicht.

Die Studie stützte sich auf einen Datensatz von Polymereigenschaften aus PoLyInfo, der größten Datenbank für Polymere der Welt, die bei NIMS untergebracht ist. Trotz seiner enormen Größe verfügt PoLyInfo über eine begrenzte Datenmenge über die Wärmeübertragungseigenschaften von Polymeren. Um die Wärmeübertragungseigenschaften aus den gegebenen begrenzten Daten vorherzusagen, wurden ML-Modelle über Proxy-Eigenschaften vortrainiert, wo genügend Daten über die zugehörigen Aufgaben verfügbar waren; diese vortrainierten Modelle erfassten gemeinsame Merkmale, die für die Zielaufgabe relevant sind. Die Umnutzung solcher maschinell erworbenen Merkmale auf die Zielaufgabe führte zu einer hervorragenden Vorhersageleistung auch bei den äußerst kleinen Datensätzen, als ob sehr erfahrene Humanexperten auch bei wesentlich weniger erfahrenen Aufgaben rationale Schlussfolgerungen ziehen könnten. Das Team kombinierte dieses Modell mit einem speziell entwickelten ML-Algorithmus für das rechnergestützte molekulare Design, der als iQSPR-Algorithmus bezeichnet wird und zuvor von Yoshida und seinen Kollegen entwickelt wurde. Die Anwendung dieser Technik ermöglichte die Identifizierung von Tausenden von vielversprechenden "virtuellen" Polymeren.

Aus diesem großen Pool von Kandidaten wurden drei Polymere aufgrund ihrer einfachen Synthese und Verarbeitung ausgewählt.

Tests bestätigten, dass die neuen Polymere eine hohe Wärmeleitfähigkeit von bis zu 0,41 Watt pro Meter-Kelvin (W/mK) aufweisen. Dieser Wert ist 80 Prozent höher als bei typischen Polyimiden, einer Gruppe von gängigen Polymeren, die seit den 1950er Jahren in Massenproduktion für Anwendungen von der Brennstoffzelle bis zum Kochgeschirr hergestellt werden.

Durch die Überprüfung der Wärmeübertragungseigenschaften der rechnerisch entworfenen Polymere stellt die Studie einen wichtigen Durchbruch für schnelle, kostengünstige, ML-gestützte Verfahren zur Werkstoffgestaltung dar. Es zeigt auch die kombinierte Expertise des Teams in den Bereichen Datenwissenschaft, organische Synthese und fortschrittliche Messtechnik.

Yoshida kommentiert, dass noch viele Aspekte untersucht werden müssen, wie z.B. das "Training" von Computersystemen, um mit begrenzten Daten zu arbeiten, indem geeignetere Deskriptoren hinzugefügt werden. "Machine Learning für Polymer- oder Weichstoffdesign ist ein herausforderndes, aber vielversprechendes Gebiet, da diese Materialien Eigenschaften haben, die sich von Metallen und Keramiken unterscheiden und von den bestehenden Theorien noch nicht vollständig vorhergesagt werden", sagt er.

Die Studie ist ein Ausgangspunkt für die Entdeckung weiterer innovativer Materialien, wie Morikawa ergänzt: "Wir möchten versuchen, ein ML-gesteuertes Hochdurchsatz-Berechnungssystem zu entwickeln, um weiche Materialien der nächsten Generation für Anwendungen zu entwickeln, die über die 5G-Ära hinausgehen. Mit unserem Projekt wollen wir nicht nur die Entwicklung der Materialinformatik vorantreiben, sondern auch zur grundlegenden Weiterentwicklung der Materialwissenschaft beitragen, insbesondere im Bereich der Phononentechnik3."

Diese Arbeit wurde im Rahmen der "Materials Research by Information Integration" Initiative (MI2I) durchgeführt, einem Open Innovation Accelerator, der von der Japan Science and Technology Agency (JST) als Unterstützungsprogramm für den Aufbau einer Innovationszentrale ausgewählt und von NIMS implementiert wurde.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Fakten, Hintergründe, Dossiers
  • künstliche Intelligenz
  • maschinelles Lernen
  • Materialforschung
Mehr über Tokyo Institute of Technology
Ihr Bowser ist nicht aktuell. Microsoft Internet Explorer 6.0 unterstützt einige Funktionen auf Chemie.DE nicht.