Predicting the Volume Phase Transition Temperature of Multi-Responsive Poly(<i>N</i>-isopropylacrylamide)-Based Microgels Using a Cluster-Based Partial Least Squares Modeling Approach
Notice bibliographique
Résumé
Despite the various potential applications of dual pH/temperature-responsive microgels, the multiple (and often interacting) physical and chemical factors that influence the volume phase transition temperature (VPTT) in such microgels make it challenging to directly design a microgel with a particular targeted swelling response. Herein, we address this challenge by designing and implementing a data-driven model that can predict a microgel swelling profile and subsequently VPTT based only on the microgel recipe. A clustering-based adaptation of partial least squares modeling is developed and subsequently applied to a data library of pH 4 (fully protonated) and pH 10 (fully ionized) swelling responses of 32 pH/temperature-responsive poly( N -isopropylacrylamide) microgels functionalized with various carboxylic acid-functionalized comonomers. We demonstrate that the best-performing clustering and data arrangement strategies can predict the VPTT of the microgels within 1.0 °C at pH 4 and 2.4 °C at pH 10, an accuracy similar to the uncertainty estimates from the experimental transition temperature data (0.6 °C at pH 4 and 2.2 °C at pH 10). Such an approach thus paves the way for faster customization of a microgel swelling profile as needed for a target application.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».