Data-Driven Discovery of Multifunctional Organic Polymer Aerogels by Machine Learning-Assisted Large-Scale Property Screening
Notice bibliographique
Résumé
Polyimide (PI) aerogels are next-generation thermal insulation materials. Due to their intrinsic nanoporous structures, they are ultralow density and have superior thermal stability, making them important materials in fields such as aeronautics, thermal management, energy storage, and life sciences. The material properties and performance of PI aerogels are strongly correlated to the types of monomers and cross-linking agents. However, the time-consuming and costly synthesis process poses challenges in exploring new formulations of multifunctional PI aerogels with optimized properties. To discover new aerogel formulations, this research utilizes different machine learning methods to model the relationship between pristine monomers, processing conditions, and the properties of cross-linked aerogels. In addition, we have utilized machine learning to discover and predict new chemical structures via large-scale property screening. By introducing the Morgan fingerprint method, the chemical structure, including the hybrid monomer backbone, was effectively used as input for machine learning. Random forest and Gaussian process regression models were trained to estimate the density, compression modulus, and decomposition temperature. Over 1,600,000 novel PI aerogel structures were generated and screened using the trained machine learning models. Consequently, several structural candidates were identified as multifunctional PI aerogels with optimized properties and will have superior performance to those of previously reported aerogels.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».