Predicción de la Temperatura de Transición Vítrea de los Polímeros Usando Aprendizaje Automático Simple

Los materiales poliméricos han atraído una atención significativa debido a sus excepcionales propiedades mecánicas y diversas aplicaciones industriales. Comprender la temperatura de transición vítrea (Tg) de los polímeros es fundamental para prevenir fallas operativas a temperaturas específicas. Los métodos tradicionales para medir Tg, como la calorimetría diferencial de barrido (DSC) y el análisis mecánico dinámico, aunque precisos, suelen ser costosos, lentos y susceptibles a inexactitudes debido a factores aleatorios e inciertos. Para abordar estas limitaciones, el objetivo del presente estudio es investigar el potencial del Sistema de Entrada de Línea de Entrada Molecular Simplificado (SMILES) como descriptores en modelos simples de aprendizaje automático para predecir Tg de manera eficiente y fiable. Se utilizaron cinco modelos: vecinos más cercanos (KNN), regresión de vectores de soporte (SVR), aumento extremo de gradiente (XGBoost), red neuronal artificial (ANN) y red neuronal recurrente (RNN). Los descriptores SMILES se convirtieron en datos numéricos utilizando codificación One Hot (OHE) o procesamiento de lenguaje natural (NLP). El estudio encontró que las entradas SMILES con menos de 200 caracteres eran inadecuadas para describir con precisión las estructuras de los compuestos, mientras que las entradas que superaban los 200 caracteres disminuían el rendimiento del modelo debido a la maldición de la dimensionalidad. El modelo ANN alcanzó el mayor valor de R2 de 0.79; sin embargo, el modelo XGB, con un valor de R2 de 0.774, mostró la mayor estabilidad y tiempos de entrenamiento más cortos en comparación con otros modelos, lo que lo convirtió en la opción preferida para la predicción de Tg. La eficiencia del método OHE sobre NLP se demostró por los tiempos de entrenamiento más rápidos en los modelos KNN, SVR, XGB y ANN. La validación de nuevos datos poliméricos mostró la robustez del modelo XGB, con una desviación promedio de predicción de 9.76 de los valores reales de Tg. Estos hallazgos subrayan la importancia de optimizar los métodos de conversión de SMILES y los parámetros del modelo para mejorar la fiabilidad de la predicción. La investigación futura debería centrarse en mejorar la precisión y la capacidad de generalización del modelo al incorporar características adicionales y técnicas avanzadas. Este estudio contribuye al desarrollo de modelos predictivos eficientes y fiables para propiedades de polímeros, facilitando el diseño y la aplicación de nuevos materiales poliméricos.