Polimeri kao što je polipropilen su osnovni materijali u savremenom svetu, koji se nalaze u svemu, od računara do automobila. Zbog njihove sveprisutnosti, od vitalnog je značaja da naučnici materijala znaju tačno kako će svaki novorazvijeni polimer delovati pod različitim uslovima pripreme. Kao što je opisano u novoj studiji, koja je objavljena u Nauci i tehnologiji naprednih materijala, naučnici sada mogu da koriste mašinsko učenje da odrede šta mogu da očekuju od novog polimera.
Predviđanje mehaničkih svojstava novih polimera, kao što su njihova zatezna čvrstoća ili fleksibilnost, obično uključuje njihovo stavljanje kroz destruktivna i skupa fizička ispitivanja. Međutim, tim istraživača iz Japana, predvođen dr Rio Tamurom, dr Kendžijem Nagatom i dr Takašijem Nakanišijem sa Nacionalnog instituta za nauku o materijalima u Cukubi, pokazao je da mašinsko učenje može da predvidi svojstva materijala polimera.
Razvili su metod na grupi polimera zvanih homo-polipropileni, koristeći uzorke difrakcije rendgenskih zraka polimera pod različitim uslovima pripreme kako bi pružili detaljne informacije o njihovoj složenoj strukturi i karakteristikama.
„Mašinsko učenje se može primeniti na podatke iz postojećih materijala da bi se predvidela svojstva nepoznatih materijala“, kaže dr. Tamura, Nagata i Nakaniši objašnjavaju. „Međutim, da bi se postigla tačna predviđanja, neophodno je koristiti deskriptore koji ispravno predstavljaju karakteristike ovih materijala.“
Termoplastični kristalni polimeri, kao što je polipropilen, imaju posebno složenu strukturu koja se dalje menja tokom procesa njihovog oblikovanja u oblik krajnjeg proizvoda. Stoga je bilo važno za tim da adekvatno uhvati detalje strukture polimera pomoću rendgenske difrakcije i da se osigura da algoritam mašinskog učenja može da identifikuje najvažnije deskriptore u tim podacima.
U tom cilju, analizirali su dva skupa podataka koristeći alat pod nazivom Bajesova spektralna dekonvolucija, koji može izvući obrasce iz složenih podataka. Prvi skup podataka bili su podaci difrakcije rendgenskih zraka iz 15 tipova homo-polipropilena koji su bili izloženi različitim temperaturama, a drugi su bili podaci iz četiri tipa homo-polipropilena koji su bili podvrgnuti brizganju.
Analizirana mehanička svojstva uključuju krutost, elastičnost, temperaturu na kojoj materijal počinje da se deformiše i koliko bi se istezao pre loma.
Tim je otkrio da je analiza mašinskog učenja tačno povezala karakteristike u snimcima difrakcije rendgenskih zraka sa specifičnim svojstvima materijala polimera. Neke od mehaničkih svojstava bilo je lakše predvideti na osnovu podataka difrakcije rendgenskih zraka, dok su druge, kao što je tačka prekida istezanja, bile izazovnije.
„Verujemo da će naša studija, koja opisuje proceduru koja se koristi za obezbeđivanje veoma preciznog modela predviđanja mašinskog učenja koristeći samo rezultate difrakcije rendgenskih zraka polimernih materijala, ponuditi nedestruktivnu alternativu konvencionalnim metodama testiranja polimera“, kažu istraživači NIMS-a.
Tim je takođe predložio da se njihov pristup Bajesove spektralne dekonvolucije može primeniti na druge podatke, kao što je rendgenska fotoelektronska spektroskopija, i koristiti za razumevanje svojstava drugih materijala, kako neorganskih tako i organskih.
„To bi moglo postati testni slučaj za buduće pristupe dizajnu i nauci polimera zasnovanim na podacima“, kaže NIMS tim.
