通过高通量分子动力学和可解释的 AI 探索高性能黏度指数改进剂聚合物

快速阅读: 据《Nature.com》最新报道，数据驱动的材料创新有望革新传统研发流程并缩短开发周期，但数据稀缺和机器学习解释性差成为障碍。为此，我们提出一种集成数据生成、虚拟筛选和理论创新的流程，使用高通量全原子分子动力学作为数据驱动环节。通过此流程，我们构建了一个包含1166个条目的粘度指数改进剂数据集，并验证了六种聚合物的高性能。本研究展示了该流程在数据稀缺领域的先进能力和可靠性，为未来研究提供重要参考。

数据驱动的材料创新有望彻底改变传统的爱迪生式研发流程，并显著缩短开发周期。然而，材料科学中数据稀缺以及机器学习的解释性差严重阻碍了这一新范式的实施。为此，我们提出了一种集成数据生成、虚拟筛选和理论创新的流程，以高通量全原子分子动力学（分子动力学）作为数据驱动轮。通过该流程，我们探索了高性能的粘度指数改进聚合物，并从五种类型的聚合物开始构建了一个包含1166个条目的粘度指数改进剂（VII）数据集。在多目标约束下，确定了366种可能具有高粘度温度性能的聚合物，并通过直接分子动力学模拟验证了六种代表性聚合物。通过该流程，我们探索了高性能的粘度指数改进聚合物，并从五种类型的聚合物开始构建了一个包含1166个条目的粘度指数改进剂（VII）数据集。基于高维物理特性，我们对聚合物VII的定量结构-性质关系进行了系统性的无偏分析，提供了一个具有应用前景的数学模型。本研究展示了所提出的流程在数据稀缺领域启动材料创新周期方面的先进能力和可靠性。建立的VII数据集和模型将成为设计高粘度温度性能聚合物的数据驱动方法的关键起点，并为将来的研究提供了重要参考。

(以上内容均由Ai生成)