机器学习模型解释性和可转移性对于预测聚合物玻璃转变温度的影响
摘要：用机器学习开发聚合物结构-性能关系的替代模型可以提供有希望的工具。替代模型可以基于已有的聚合物数据建立，并且可以用于快速预测未知聚合物的性能。这种机器学习模型的准确性似乎取决于聚合物的特征空间表示、训练数据的范围和学习算法。本研究建立了这些因素之间与聚合物玻璃转变温度预测之间的联系。我们的分析表明，具有更少拟合参数的线性模型与具有大量隐藏和无法解释的参数的非线性模型一样准确。此外，基于单体拓扑结构的机器学习模型的性能与基于物理化学描述符的模型发现是定性相同的。我们发现，随着训练数据的性质范围的增加，机器学习模型的可迁移性增强。此外，我们通过机器学习建立了新的Tg聚合物化学相关性。我们的工作阐明了机器学习如何推进对聚合物结构-性能相关性的基础理解。
作者：Agrim Babbar, Sriram Ragunathan, Debirupa Mitra, Arnab Dutta, and Tarak. K Patra
论文ID：2308.09898
分类：Soft Condensed Matter
分类简称：cond-mat.soft
提交时间：2023-08-22