解决物理测试成本昂贵的的破坏性难题
来源：
聚丙烯等聚合物是现代世界的基本材料，从计算机、涂料到汽车，无处不在。由于它们无处不在，材料科学家必须准确了解每种新开发的聚合物在不同制备条件下的性能。得益于发表在《Science and Technology of Advanced Materials》上的一项新研究，科学家们现在可以利用机器学习来确定新聚合物的预期性能。
预测新型聚合物的机械性能，如拉伸强度或柔韧性，通常需要对其进行破坏性的、成本高昂的物理测试。然而，由日本筑波国立材料科学研究所的 Ryo Tamura 博士、Kenji Nagata 博士和 Takashi Nakanishi 博士领导的一个研究小组表明，机器学习可以预测聚合物的材料特性。他们利用聚合物在不同制备条件下的 X 射线衍射图样，提供了有关其复杂结构和特征的详细信息，在一组名为均聚丙烯的聚合物上开发出了这种方法。
Tamura博士、Nagata 博士和 Nakanishi 博士解释说："机器学习可应用于现有材料的数据，以预测未知材料的特性。“然而，要实现准确预测，必须使用能正确代表这些材料特征的描述符。
通过 X 射线衍射捕捉聚合物结构
热塑性结晶聚合物（如聚丙烯）具有特别复杂的结构，这种结构在将它们模塑成最终产品形状的过程中会发生进一步的变化。因此，研究小组必须通过 X 射线衍射充分捕捉聚合物结构的细节，并确保机器学习算法能够识别数据中最重要的描述符。
为此，他们使用一种名为贝叶斯光谱解卷积的工具分析了两个数据集，该工具可以从复杂数据中提取模式。第一个数据集是 15 种均聚丙烯在不同温度下的 X 射线衍射数据，第二个数据集是四种均聚丙烯在注塑成型过程中的数据。分析的机械性能包括刚度、弹性、材料开始变形的温度以及材料在断裂前的拉伸程度。
研究小组发现，机器学习分析能准确地将 X 射线衍射图像中的特征与聚合物的特定材料属性联系起来。一些机械性能更容易从 X 射线衍射数据中预测出来，而另一些，如拉伸断裂点，则更具挑战性。
“NIMS 的研究人员说："我们相信，我们的研究描述了仅使用聚合物材料的 X 射线衍射结果来提供高精度机器学习预测模型的程序，这将为传统的聚合物测试方法提供一种非破坏性的替代方法。
研究小组还建议，他们的贝叶斯光谱解卷积方法可应用于其他数据，如 X 射线光电子能谱，并用于了解其他材料（包括无机和有机材料）的特性。
“NIMS团队说："它可以成为未来聚合物设计和科学数据驱动方法的试验案例。
▷ 文字编辑 | Sabrina Feng
▷ 如需转载，请注明出处
