Síntese de simulação computacional e aprendizado de máquina para alcançar as melhores propriedades do material de borracha preenchida

A simulação de dinâmica molecular (MD) é utilizada para analisar as propriedades mecânicas da borracha polimerizada e preenchida em escala nanométrica. Infelizmente, o tempo de computação para uma simulação pode exigir vários meses de poder computacional, pois as interações de milhares de partículas de preenchimento devem ser calculadas. Para aliviar esse problema, introduzimos um modelo de rede neural convolucional substituta para alcançar previsões mais rápidas e precisas. A principal dificuldade ao empregar modelos substitutos baseados em aprendizado de máquina é a escassez de dados de treinamento, contribuindo para os altos custos de simulação. Para derivar um modelo substituto altamente preciso usando apenas uma pequena quantidade de dados de treinamento, aumentamos o número de instâncias de treinamento dividindo os resultados de simulação em larga escala em imagens 3D de morfologias de preenchimento em escala média e estresses regionais correspondentes. As imagens incluem regiões de borda para refletir a influência dos constituintes do preenchimento fora das regiões centrais. O modelo substituto resultante fornece maior precisão de previsão do que aquele treinado apenas com imagens de toda a região. Depois, extraímos os preenchimentos que dominam as propriedades mecânicas usando o modelo substituto e confirmamos sua validade usando MD.