Российские ученые Центра НТИ «Цифровое материаловедение: новые материалы и вещества» МГТУ им. Н.Э. Баумана и МГУ им. М.В. Ломоносова разработали и представили новую систему для прогнозирования свойств полимеров, основанную на физически обоснованных и химически интуитивно понятных дескрипторах (Machine learning with physically grounded, interpretable descriptors for polymer property prediction and monomer design).
Ученые применили подход, основанный на классических методологиях QSPR (Quantitative Structure–Property Relationship), позволяющий предсказывать физико‑химические свойства веществ на основе их молекулярной структуры, в частности, разработанных Андреем Аскадским и Джованни Бисерано (G. Bicerano), и расширяет их, и предназначен для учета структурных факторов, определяющих поведение полимеров.
Было исследовано несколько дополнительных семейств дескрипторов, включая квантово-химические энергетические параметры из расчетов xTB, условия группового вклада, ван-дер-ваальсовы объемные вклады химически определенных атомных сред, дескрипторы моделей химических связей и кураторские подмножество интерпретируемых функций, производных от RDKit (открытая библиотека для хемоинформатики: она позволяет работать с молекулярными структурами, вычислять их свойства и применять в машинном обучении).
Система прогнозирования оценивалась по четырем критическим свойствам полимера: температуре стеклования, плотности, температуре плавления и температуре начала термического разложения.
На сегодняшний день относительно мало исследований посвящено прогнозированию плотности, температуры плавления и температуры термического разложения полимеров, и данная работа призвана восполнить этот пробел.
Разработанные в рамках этого исследования модели обеспечивают точность прогнозирования, сопоставимую с текущим уровнем развития технологий для выбранных целевых свойств.
«В этом исследовании мы систематически проанализировали основные подходы к QSPR-моделированию полимеров, сосредоточив внимание на пяти семействах дескрипторов: вкладах атомного объема типа Аскадского, вкладах функциональных групп типа Бицерано, молекулярных дескрипторах, полученных из RDKit, особенностях связывания и квантовых дескрипторах электронной структуры. Сравнительный анализ разнообразного и репрезентативного набора данных PolyInfo показал, что функции, основанные на Askadskii, превосходят все другие группы по точности прогнозирования», — утверждают разработчики.
Работа выполнена при поддержке Российского научного фонда.