Learning glass transition temperatures via dimensionality reduction with data from computer simulations: Polymers as the pilot case
Notice bibliographique
Résumé
Machine learning (ML) methods provide advanced means for understanding inherent patterns within large and complex datasets. Here, we employ the principal component analysis (PCA) and the diffusion map (DM) techniques to evaluate the glass transition temperature ($T_\mathrm{g}$) from low-dimensional representations of all-atom molecular dynamic (MD) simulations of polylactide (PLA) and poly(3-hydroxybutyrate) (PHB). Four molecular descriptors were considered: radial distribution functions (RDFs), mean square displacements (MSDs), relative square displacements (RSDs), and dihedral angles (DAs). By applying a Gaussian Mixture Model (GMM) to analyze the PCA and DM projections, and by quantifying their log-likelihoods as a density-based metric, a distinct separation into two populations corresponding to melt and glass states was revealed. This separation enabled the $T_\mathrm{g}$ evaluation from a cooling-induced sharp increase in the overlap between log-likelihood distributions at different temperatures. $T_\mathrm{g}$ values derived from the RDF and MSD descriptors using DM closely matched the standard computer simulation-based dilatometric and dynamic $T_\mathrm{g}$ values for both PLA and PHB models. This was not the case for PCA. The DM-transformed DA and RSD data resulted in $T_\mathrm{g}$ values in agreement with experimental ones. Overall, the fusion of atomistic simulations and diffusion maps complemented with the Gaussian Mixture Models presents a promising framework for computing $T_\mathrm{g}$ and studying the glass transition in a unified way across various molecular descriptors for glass-forming materials.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 |
| 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 tête enseignante, 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 ».