SimPoly 预测聚合物性质:训练不用实验数据,不代表不用实验验证
一项名为 SimPoly 的研究尝试用机器学习模拟聚合物的材料性质。它有个容易被忽略的区别:模型训练没有用实验测量值,研究者仍然拿实验数据检查预测结果。
这项由微软研究团队开展的工作在 2025 年已有预印本,11 月 9 日以经过同行评审的论文提前版本发表,后续仍可能有编辑修改。聚合物用于塑料、薄膜等材料;想在设计阶段估计其性质,既需要处理大量原子,也要考虑较长时间尺度。传统力场的精度和适用范围有限,而直接用量子化学方法模拟较大体系,计算成本又很高。
研究团队训练了一种机器学习力场:从量子化学计算得到的数据学习原子间作用,再用于分子动力学模拟。研究者报告,它对所考察聚合物密度的预测与实验值比较时,表现达到或优于所比较的传统力场;还在密度随温度变化的曲线中捕捉到玻璃化转变的特征,用于估计转变温度。
这里的玻璃化转变,指聚合物在一定温度范围附近从较硬、较脆的状态转向更易形变的状态;这与材料是否像玻璃一样透明是两回事。模型给出这一温度的估计,对缩小后续实验范围可能有用,但不能据此认定某个实际配方已经满足使用条件。
论文同时公布了覆盖 130 种聚合物的实验体相性质基准,以及配套量子化学数据集。这个数字描述的是基准覆盖范围,不能直接理解为所有聚合物的每种性质都已经准确预测。模型训练不依赖实验拟合,并不消除实验对结果验证的作用;换成新的材料组成、加工条件或目标性质时,仍需检查适用性。