Kann maschinelles Lernen uns helfen, bessere Materialien zu entdecken? Diese Studie verwendet eine Kombination aus Hochdurchsatz-Molekulardynamik-Simulation (MD) und aktivem Lernen (AL), um Polymermischungen mit verbesserter Wärmeleitfähigkeit (TC) im Vergleich zu ihren Einzelkomponenten-Pendants zu identifizieren. Die Forscher bestimmten zunächst die TC von etwa 600 amorphen Einzelkomponenten-Polymeren und 200 Mischungen durch MD-Simulationen.
Sie identifizierten die optimale Darstellungsmethode für Polymermischungen und verwendeten einen AL-Rahmen, um die TC von etwa 550.000 unbeschrifteten Mischungen zu untersuchen. Dieser Rahmen erwies sich als äußerst effektiv bei der Beschleunigung der Entdeckung von Hochleistungs-Polymermischungen für den Wärmetransport. Die
Diese in npj Computational Materials veröffentlichte Studie ist für den Fokus der Zeitschrift von großer Bedeutung. Sie kombiniert rechnergestützte Materialwissenschaften mit maschinellem Lernen, um Polymermischungen mit verbesserter Wärmeleitfähigkeit zu entdecken, einem wichtigen Interessengebiet für Forscher in diesem Bereich.