Data-Driven Design of High-Temperature-Resistant Polyimides Using Hierarchical Gaussian Process Regression
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate prediction of Tg for polyimides (PIs) is essential for assessing material performance in high-temperature applications in aerospace, electronics, microelectronics, and flexible display technology. However, experimental measurements remain critically challenging due to the labor-intensive synthesis, conventional instrument limits, and time-consuming characterization processes. Meanwhile, force field limitations, timescale discrepancy, and validation difficulties exist in the prediction of Tg for PIs using molecular dynamic simulation. In this study, we introduce a hierarchical Gaussian process regression machine learning method that integrates prior knowledge to predict Tg for PIs with small-sample data sets. We employ RDKit for molecular descriptor calculation and feature selection. Twenty-one key descriptors are identified, and exceptional model performance with a coefficient of determination R 2 of 0.98/0.74 on the training/test set is achieved, surpassing conventional machine learning approaches. We further use Shapley additive explanations analysis to study the actionable insights for designing thermally stable PIs. The number of rotatable bonds and minimum partial charge act as dominant factors influencing Tg. Validations through experimental synthesis and molecular dynamics simulations confirm that the prediction errors are below 15%, while a Bayesian update strategy employing a radial basis function kernel corrected systematic underestimation in the high-Tg regime (>270 °C). This work provides a robust, validated Tg prediction tool, elucidates critical structure–property relationships, and establishes a transferable framework for data-driven materials design, advancing the development of high-performance polymers.
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.
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 | 0,000 |
| 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 | 0,001 | 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 découle