Core Concepts
본 연구에서는 분자 동역학 시뮬레이션과 기계 학습을 결합하여 원하는 유리 전이 온도(Tg)를 가진 새로운 비트리머를 생성하는 방법을 제시한다.
Abstract
본 연구는 비트리머 설계를 위한 통합 MD-ML 프레임워크를 개발했다.
첫째, ZINC15 데이터베이스에서 추출한 다양한 비트리머 데이터셋을 구축했다. 고속 MD 시뮬레이션과 GP 보정 모델을 사용하여 데이터셋의 일부 비트리머에 대한 Tg를 계산했다.
둘째, 이 데이터셋을 사용하여 이중 그래프 인코더와 디코더가 포함된 VAE 모델을 학습시켰다. 이를 통해 비트리머 구성 요소를 개별적으로 표현하고 설계할 수 있는 연속적인 잠재 공간을 구축했다.
셋째, 베이지안 최적화를 통해 VAE 모델을 활용하여 목표 Tg를 가진 새로운 비트리머를 발견했다. 제안된 비트리머는 교육 데이터 범위를 벗어나는 극단적인 Tg를 포함하여 다양한 열적 특성을 보여준다.
전체 워크플로우를 통해 다성분 고분자 재료의 고정밀 역설계가 가능해졌다.
Stats
교육 데이터셋의 Tg 범위는 250 K ~ 500 K이다.
제안된 비트리머 중 일부는 569 K와 248 K의 Tg를 가진다.
Quotes
"비트리머는 동적 공유 결합 적응형 네트워크(CANs)를 통해 자가 치유 능력을 가지고 있다."
"현재 사용 가능한 비트리머는 제한된 열역학적 특성을 가지고 있는데, 이는 이들 고분자 합성에 사용되는 단량체의 제한 때문이다."