폴리머 특성 예측을 위한 기계 학습 모델 및 차원 축소

모노머 서열에 따른 블록 폴리머 특성의 정확한 예측은 더 나은 소재 개발을 위해 필요하다. 화학 및 서열의 순열 수는 거의 무한하며, 분자 구조에 따라 특성을 예측하고 공학하기 위한 새로운 방법이 필요하다. 본 연구에서는 블록 서열 및 상호작용 매개변수의 함수로서 이블록 라멜라 시스템의 주기 길이를 예측하도록 훈련된 피드포워드 신경망을 통해 폴리머 특성을 결정하는 기계 학습 접근법을 제시한다. 이러한 서열화된 폴리머는 실험적으로 탐색된 폴리펩토이드 시스템과 유사하다. 또한, 우리는 이러한 폴리머 소재에 대한 물리적 통찰력을 얻기 위한 방법으로 차원 축소를 탐구하기 위한 노력에 대해 보고한다.