Schr?dinger推进材料信息学以加速下一代复合材料的开发

材料信息学 (MI) 是材料行业数字化转型的基。褂檬莼∩枋、机器学习 (ML) 和 AI 解决方案来开发新材料并优化其加工方式。据多年来一直跟踪这项技术的IDTechEx 称，MI 是一种范式转变，可大大缩短上市时间。但它走得更远，不仅加速了创新的前进方向——实现建议的候选材料的特性——而且还实现了逆向开发，即根据所需特性的输入来建议新材料。

2021 年，东丽工业公司 (Toray Industries，日本东京) 宣布了 MI 在复合材料中的应用示例 — 它利用 MI开发了一种新型高性能碳纤维增强聚合物 (CFRP)预浸料，该预浸料具有出色的阻燃 (FR) 性能，可用于先进的航空航天应用。CW将很快对此进行更多报道。

“这是一种完全不同的方法，” Schr?dinger?（美国纽约州纽约市）材料科学信息学产品经理 Anand Chandrasekaran 说道。Schr?dinger 是一家与客户合作使用其预测计算工具开发未来材料（包括复合材料）的公司。“BBIN娱乐平台不仅比传统实验快了几个数量级地预测材料性能，而且还实现了不同类型的构思。现在，您可以从 10,000 或 100,000 种可能的结构开始，或者查看您可以购买的所有可能的分子，然后将这些不同的集合放入数据库中，然后使用 ML 对其进行评估和筛选，效率更高，以便合成和测试实际的材料。”

但 Chandrasekaran 补充说，Schr?dinger 的平台还结合了 ML 和基于物理的方法，实现了数据集的数字生成和验证。这开辟了一个充满可能性的新世界，现有的用于训练 ML 模型的数据集可能很少，包括生物材料、耐火和高温复合材料、用于太空应用的新材料、低温储氢等等。

在深入研究生物基聚合物的工作原理之前，先了解一下它的使用方式和原因会很有帮助。Schr?dinger 的网站解释说：“各行各业的研发科学家都面临着开发高性能、多功能且能满足社会可持续发展需求的下一代聚合物和复合材料的挑战。” 该公司的数字平台可以在分子和原子尺度上模拟生物基聚合物和添加剂，使科学家能够了解和预测其性能。它还可以自动?筛选生物基聚合物，预测聚合物混合物的结构、混溶性（混合并形成均匀溶液的能力）和性质。它还可以模拟吸水率，并预测针对高性能应用的新树脂配方在固化过程中的玻璃化转变温度 (T?g?)、热稳定性、热膨胀和聚合物凝胶点。

Schr?dinger 聚合物总监 Andrea Browning 表示：“现在有很多生命周期问题需要解决。”她与 Chandrasekaran 及其同事合作，开发基于物理的工具，为聚合物和复合材料客户提供一系列功能。“这些客户正在研究与过去不同的输入单体。BBIN娱乐平台利用他们的过去数据来了解与新单体的可能联系——包括他们以前没有考虑过的不同来源。MI 使您能够利用传统实验性配方研究中可能利用的范围以外的功能，以便您将其用作发现工具。”

“改进添加剂以实现阻燃性、增塑性或其他目标，是 MI 提供新改进可能性的另一个领域，”Browning 说。“这可能包括寻找对材料整体生命周期更有利的新添加剂。在探索可能使用的其他材料时，您再次利用可能拥有的数据集，然后将这些新材料的特性与化学联系起来。这为您提供了更多方法来研究如何组合和使用新化学物质来满足性能和可持续性目标。”

探索下一代太空材料

位于爱德华兹空军基地的美国空军研究实验室 (AFRL) 航空航天系统理事会就是 MI 如何用于复合材料的一个例子，研究化学家 Levi Moore 博士及其团队发表了关于使用 Schr?dinger 平台理解和探索聚氰脲酸酯树脂新配方的文章。这些热固性聚合物由氰酸酯单体组成，具有出色的阻燃性能，这对于航空航天中的高温 (HT) 应用非常重要，有多个来源称 Tg 约为 300°C，炭化率 >70%，后者对于陶瓷基复合材料 (CMC) 来说很重要。或者，它们可能包括硅 (Si) 以获得额外的 HT 和炭化率优势。

Moore 的团队希望探索聚氰脲酸酯的反应化学，但这很有挑战性，因为固化/交联通：芨丛樱枰笨悸嵌喔鲆蛩。具体来说，Moore 想要更好地了解吸水率。尽管聚氰脲酸酯的吸水率很低，但如果水温迅速升高，就会导致失效。

他的团队利用薛定谔的计算平台来解决这些挑战。正如 Moore 在之前的文章中所解释的那样，“BBIN娱乐平台已经能够观察到水扩散到交联聚合物基质中的过程，并看到水分子最容易被特定化学基团吸引的地方。要通过实验做到这一点，你需要使用只有国家实验室才有的极其复杂的设备，而且即便如此，你也只能在宏观尺度上看到水，而无法看到模拟提供的精细原子细节。”他补充说，这种数字模拟减少了“BBIN娱乐平台需要合成的新分子数量，从而实现更高效、资源密集程度更低的迭代周期。”

聚氰脲酸酯只是 Moore 及其同事应用薛定谔 MI 工具的几个领域之一。AFRL 的研究人员还在探索增材制造和 3D 打印的潜力，以将现有材料重新配置为新的、更复杂的几何形状，从而可能提高其对恶劣环境的耐受性。通过出版物、网络研讨会和访谈，AFRL 提供了一个航空航天公司如何将 MI 添加到其研究周期的示例。

摩尔在之前的采访中强调了未来材料建模的方向：“最大的挑战是系统的最终目标，你可以输入材料的所需属性，系统将能够在该空间中找到解决方案，如果该解决方案不存在，那么它可以迭代新的、尚未发现的材料，并输出具有所需属性的目标合成分子。”

MI 如何工作？

钱德拉塞卡兰表示，一种方法是“利用机器学习和现有数据集来预测潜在的新材料，或找到改善现有材料性能的潜在机制。这些机器学习技术相当新颖，是在过去 8 年左右开发出来的。在 Schr?dinger，BBIN娱乐平台正在开发机器学习技术，这种技术可以将特定材料（例如，可以是聚合物、聚合物加添加剂、分子或分子与溶剂的混合物）分解成单个成分和结构。然后，BBIN娱乐平台使用特殊的特征化技术，以计算机算法可以理解的方式来表示每个结构。一旦算法理解了该材料，BBIN娱乐平台就可以找到材料结构和成分与目标属性之间的相关性。BBIN娱乐平台可以预测性能并观察属性如何变化。”

“然而，当你拥有非常小的数据集时，这些机器学习预测可能会非常不准确，”

Chandrasekaran 指出。“这是因为机器学习是基于从过去数据中查看统计相关性来做出未来预测。但是，一旦BBIN娱乐平台将机器学习与基于物理的方法相结合，BBIN娱乐平台就可以从第一原理层面获得材料非常强大的描述符——这意味着你不必对过去的数据或统计模型做出任何假设。相反，从量子力学和分子动力学的基础出发，BBIN娱乐平台可以生成材料的属性。即使你无法生成所需的复合材料的完全相同的属性，也有许多属性是非常好描述符或与最终属性具有非常强的相关性，这可能会引起复合材料制造商的兴趣。”

“因此，通过结合使用机器学习和这些基于物理的方法，BBIN娱乐平台可以生成自己的数据集，并查看哪些属性与实际实验值相关，”他解释道。“然后BBIN娱乐平台就有了一种强大的方法，它将第一原理方法与统计方法相结合，使研究人员能够设计出全新的材料、新的添加剂和新的复合材料。”

SABIC 加速聚合物开发

Schr?dinger 最近与SABIC（沙特阿拉伯利雅得和美国德克萨斯州休斯顿）合作的一项工作就是这种结合机器学习和基于物理的方法的一个例子。Chandrasekaran 说：“BBIN娱乐平台利用机器学习，研究了他们的内部 T?g、CTE [热膨胀系数] 和介电性能数据集，从而得出了新的单体和共聚物。BBIN娱乐平台对数以万计的新潜在重复单元和多态单元进行了预测，然后根据机器学习的排名，选出表现最好的单元。然后，BBIN娱乐平台利用基于物理的模拟对这些单元进行了验证，最后，该公司能够合成最有前景的聚合物。”

Chandrasekaran 和 Browning 指出，设计新聚合物的传统方法严重依赖于缓慢而昂贵的反复试验。当研究人员改进聚合物的一个方面时，往往会恶化其他方面，这增加了复杂性。因此，设计新聚合物就像解决一个复杂的难题，需要同时优化多种特性。相反，SABIC Specialties 的树脂设计和孵化团队（为各种复合材料应用提供聚合物、化合物和先进材料）与 Schr?dinger 的材料科学团队合作，建立了精确的 ML 模型以加快开发速度。

SABIC 整理了五种目标属性的物理数据集，这些属性与聚合物对机械应力、温度、电气和光学条件的反应有关。随后，该团队成功训练并验证了 ML 模型，这些模型仅使用分子结构作为输入即可准确预测这五种聚合物属性。Schr?dinger 和 SABIC 随后使用这些 ML 模型探索尚未经过实验测试但表现出对实际应用有用的聚合物属性的新聚合物结构。

该团队生成了 10,000 多个结构，部署了经过训练的 ML 模型来预测聚合物特性，并应用了多参数优化 (MPO) 排序标准来识别具有优选特性的聚合物结构。利用 Schr?dinger 的 LiveDesign MI 平台，该团队将设计空间缩小到 1,000 个结构，然后确定并筛选出具有良好特性的 10 个市售结构。

为了进一步增强对这 10 种候选结构的信心，SABIC 和 Schr?dinger 使用基于物理的方法对它们进行了测试。结果与 ML 模型的预测一致。SABIC 随后合成并物理测试了 10 种候选结构中最具商业可行性的三种。它们全部满足了其针对移动、基础设施、5G、医疗设备、涂层等应用的高性能材料的所有初始标准。

SABIC 指出，这种方法可以将聚合物创新时间从几年缩短到几个月。此外，这种由人工智能驱动的工作流程还激励科学家利用计算工具来测试更多新颖的结构，而这些结构单靠反复试验是无法实现的。（阅读更多：“快速追踪下一代聚合物：SABIC 如何利用机器学习和物理学”）。

变革性方法

时间缩短有多重要？“当BBIN娱乐平台将 10,000 种聚合物结构缩小到前 10 种聚合物进行基于物理的模拟时，每种模拟可能需要一天左右的时间，”Chandrasekaran 说。“但要通过实验或直接合成和测试聚合物，至少需要一个月或更长时间。因此，它比单纯的实验要快几个数量级，这确实具有变革性。”

“但即使你只有实验机会，你也无法做到这一点，”布朗宁补充道。“你会召集该领域的专家，他们会决定尝试 5 个、20 个或 30 个——无论你的预算和时间是多少。你不会在数量级大两倍的数字中进行筛。膊换嵴嬲哟サ秸飧龈惴旱拇匆饬煊颉相反，你必须事先做大量的缩小范围的工作。”

“这需要时间，”她继续说道，“然后，一旦你缩小了范围，就需要花时间寻找成分，合成聚合物，如果你正在做一些非常新的事情，可能需要几次迭代才能确保你制作出了你想要的聚合物。相反，BBIN娱乐平台全部以数字化方式进行，这样你就可以得到一个成功概率更高的子集，然后你可以对你最有信心的那些进行实验并验证它们。这个周期要短得多。”

Chandrasekaran 指出，这也开启了以前不可能实现的新创新。“假设你有一项非常具有挑战性的任务，比如由于环境法规的原因，用某种具有相同或更好特性但在毒性或可持续性方面不再有问题的物质来替代某种成分。使用这种 MI 方法，你实际上可以生成一个庞大的可行化合物库，这些化合物可以购买和批准。然后，你可以运行 ML 并预测哪些成分和添加剂最有可能帮助实现所需的相同或更好的特性。”

“因此，你可以清空盘子，考虑所有可以测试的分子和可以使用的聚合物，”Chandrasekaran 说。“你可以轻松列出 100,000 种化合物，然后在几分钟内使用 ML 进行预测。所以，这是一种完全不同的方法，可以让你以不同的方式开始构思。你可以绘制单体，查看所有可供购买的分子的现有来源，然后将所有这些放入数据库中，使用 ML 更有效地扫描该数据库以查找感兴趣的添加剂或分子。”

MI 可能产生重大影响的另一个领域是目前正在研究的能够抵抗低温并防止液氢 (LH?2?) 渗透复合层压板的聚合物，用于零排放飞机的新存储解决方案和航天器应用的无衬里储罐。MI 似乎无需多年的实验就可以解锁新的支持材料。“正是如此，这就是目标，”Chandrasekaran 说。“Schr?dinger 已经有了一款名为 Formulations Machine Learning 的产品，任何科学家都可以在台式机或笔记本电脑上进行机器学习并调整组件、成分和化学成分，并获得非常准确的性能预测。您可以根据整个数据库进行预测，然后仅对性能最佳的分子进行实验。”

这款软件和 Schr?dinger 的其他 MI 工具和平台都是基于台式机/笔记本电脑的软件，根据格式和用途有不同的许可证。“所有数据都保留在公司的系统内，因为没有任何数据会传到云端，”Chandrasekaran 指出。“公司使用的所有数据以及所有 IP 和重要配方都保留在台式机或笔记本电脑中，所有分析和机器学习都可以在用户的??机器上本地完成。”

布朗宁指出这些工具的应用范围非常广泛。“BBIN娱乐平台现在谈论的是聚合物和聚合物复合材料，但这种方法的应用范围要广泛得多。基本上，在任何地方，只要你想设计一种材料在某种约束下做某事，这些工具就会非常有用。关键在于了解你需要这些工具做什么。氢气罐就是一个很好的例子，你需要具有强度和低渗透性，以及温度循环过程中的 CTE 性能。因此，了解你的目标是什么以及关键输入是什么，这些工具就会非常有用。”

Browning 补充说， MI 也比 10 年前有了很大的进步，包括相关技术。“例如，BBIN娱乐平台谈到了使用基于物理的模拟来增强 MI 的功能，这些技术已经取得了长足的进步。10 年前可能有人会说 MI 不适合他们——但我认为现在情??况已经大不相同了。MI 的易用性和可能的??结果都有了很大的进步。”

“BBIN娱乐平台不会只让客户下载软件并自行运行，”Chandrasekaran 说道。“BBIN娱乐平台真心希望与他们合作，确保这个工具对他们有用。因此，BBIN娱乐平台帮助客户格式化数据并针对他们的案例提出问题，并与他们合作，从这些工具中获得最大价值。”