Виртуальный дизайн новых газоразделительных полимерных мембран с помощью многомасштабного компьютерного моделирования и искусственного интеллекта

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 22-13-00066

НазваниеВиртуальный дизайн новых газоразделительных полимерных мембран с помощью многомасштабного компьютерного моделирования и искусственного интеллекта

Руководитель Люлин Сергей Владимирович, Доктор физико-математических наук

Организация финансирования, регион Федеральное государственное бюджетное учреждение "Петербургский институт ядерной физики им. Б.П. Константинова Национального исследовательского центра "Курчатовский институт" , г Санкт-Петербург

Конкурс №68 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами»

Область знания, основной код классификатора 03 - Химия и науки о материалах; 03-303 - Теория и компьютерное моделирование полимерных систем

Ключевые слова полимеры, виртуальный дизайн полимеров, транспортные свойства полимеров, многомасштабное компьютерное моделирование, молекулярная динамика, атомистические модели, органическая химия, машинное обучение, сверточные графовые нейронные сети, глубокие нейронные сети, базы данных, температура стеклования, полимеры с высокими эксплуатационными свойствами

Код ГРНТИ31.25.15

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
На сегодняшний день полимерные пленки и мембраны для разделения газовых или жидких сред широко востребованы в различных областях промышленности, включая нефтегазовый сектор, альтернативную энергетику, индустрию упаковки, аддитивные технологии и мн. др. [1-3]. В качестве основы для таких материалов активно исследуются различные классы ароматических полимеров. Среди них особое внимание привлекают ароматические полиамиды и полиимиды, обладающие хорошими теплофизическими и механическими свойствам, а также устойчивостью к большинству органических растворителей [4,5]. Количество известных и исследованных ароматических полиимидов и полиамидов может быть оценено как ~ 1000. При этом лишь немногие из них удовлетворяют всё возрастающим требованиям к эффективности газоразделения и структурной стабильности [6,7]. В то же время общее число возможных полиимидов и полиамидов может существенно превышать десятки миллионов соединений, учитывая потенциальное количество органических соединений, которое по некоторым оценкам составляет около 10^60 [8,9]. Несмотря на значительные успехи в области экспериментального исследования свойств полимерных мембран и технологий их получения [10,11], поиск новых соединений обычно сводится лишь к небольшой модификации химической структуры известных соединений, что не позволяет эффективно исследовать все пространство возможных полимеров. В связи с этим развитие подходов к виртуальной разработке новых полимерных соединений, относящихся к данным классам и при этом обладающих заданным комплексом физико-химических свойств, имеет первостепенное значение для получения материалов нового поколения [12]. В качестве целевых свойств полимеров в первую очередь выступают их проницаемость и селективность, определяющие перспективность применения новых полимерных материалов для решения конкретных задач в области мембранного газоразделения, а также их температура стеклования, которая задает рабочий диапазон температур использования и переработки. Одним из эффективных путей поиска новых полимерных соединений с заданными значениями этих характеристик является их виртуальный дизайн с применением многомасштабного компьютерного моделирования. Он позволяет существенно сократить затраты на дорогостоящие и трудоемкие этапы химического синтеза новых полимерных соединений, характеризацию свойств, выявление молекулярных механизмов, ответственных за их изменение, а также определение эксплуатационных характеристик конечных материалов. Однако, исследование всего возможного «химического пространства» новых полимерных соединений заданного класса и выявление среди них тех, которые обладали бы требуемыми значениями свойств с помощью только компьютерного моделирования, не представляется возможным. Причина этого заключается в том, что масштабные исследования с применением компьютерного моделирования по-прежнему сдерживается высокой ресурсоемкостью проведения расчетов даже на многопроцессорных комплексах с применением современных графических процессоров. Перспективным способом решения этой проблемы может являться комбинированное использование компьютерного моделирования и новейших методов искусственного интеллекта, а именно методов машинного обучения, основанных на применении глубоких нейронных сетей. В течение последних лет наблюдается значительный рост числа подобных исследований в области разработки новых малых органических молекул для альтернативной энергетики и медицины. Вместе с этим появляются только первые работы, связанные с поиском новых полимерных соединений [13,14]. В качестве одного из наиболее перспективных классов глубоких нейронных сетей, с помощью которых возможно эффективное решение данной задачи, рассматриваются сверточные графовые нейронные сети [15-17]. Однако, вопрос о возможности их применения для предсказания свойств полимеров, в особенности гетероциклических, таких как ароматические полиамиды и полиимиды, до сих пор остается открытым. Для исследования свойств полимерных мембран на сегодняшний день используются достаточно простые модели машинного обучения [18,19], которые не относятся к сверточным графовым нейронным сетям, что обуславливает необходимость проведения дальнейших исследований. В связи с этим целью предлагаемого проекта является разработка новых ароматических полиамидов и полиимидов с контролируемыми транспортными и теплофизическими свойствами с применением современной схемы виртуального дизайна, сочетающей в себе преимущества использования методов машинного обучения на основе сверточных графовых нейронных сетей для поиска новых перспективных полимеров и методов многомасштабного компьютерного моделирования для теоретического исследования их свойств, в первую очередь основанных на применении атомистической молекулярной динамики. Для достижения поставленной цели в рамках проекта получат развитие фундаментальные исследования, связанные с: • разработкой и уточнением подходов к проведению компьютерного моделирования транспортных свойств полимеров выбранных классов на примере исследования модельных систем; • созданием сверточных графовых нейронных сетей и поиском алгоритмов их эффективного обучения c применением различных баз данных свойств полимеров; • поиском химических структур полимеров с заданными теплофизическими и транспортными свойствами и теоретическим исследованием их свойств. Востребованность таких исследований на сегодняшний день крайне высока, поскольку они открывают новый путь к эффективному виртуальному дизайну полимерных соединений с заданными свойствами, что необходимо для прорывного развития базовых и высокотехнологичных секторов экономики, включая эффективное решение важных проблем энергетики и экологии.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Люлин С.В., Волгин И.В., Визильтер Ю.В., Горбацевич В.С., Батырь П.А., Мацеевич А.В., Добровский А.Ю., Андреева М.В., Назарычев В.М., Ларин С.В., Гойхман М.Я., Аскадский А.А. Использование синтетических баз данных для предсказания температуры стеклования полиимидов с помощью графовых сверточных нейронных сетей Книга тезисов школы-конференции для молодых ученых - Самоорганизация в «мягких» средах: достижения и современное состояние, стр. 26, П13 (год публикации - 2022)

2. Люлин С.В., Волгин И.В., Горбацевич В.С., Мацеевич А.В., Добровский А.Ю., Перунов И.В., Андреева М.В., Назарычев В.М., Ларин С.В., Гойхман М.Я., Визильтер Ю.В., Аскадский А.А. Machine Learning for Polymer Design in the Case of Limited Training Datasets Summer 2022 EuroCC & SimEA Seminar Series Programme, The Cyprus Institute, Nicosia, Cyprus, see URL (год публикации - 2022)

3. Люлин С.В. Разработка новых полимеров с помощью графовых нейронных сетей V Международный форум "Ключевые тренды в композитах: наука и технологии", стр 2. (год публикации - 2022)

4. Люлин С.В. Предсказание свойств полимеров с помощью нейронных сетей: основные проблемы и возможные решения Всероссийская научная конференция с международным участием «Современные проблемы органической химии»: Сборник тезисов, стр. 29 (год публикации - 2023)

5. Люлин С.В. Разработка новых гетероциклических полимеров с помощью графовых сверточных нейронных сетей Программа V Международной конференции «Наука будущего» и VIII Всероссийского молодежного научного форума «Наука будущего – наука молодых», стр. 18 (год публикации - 2023)

6. Добровский А.Ю., Назарычев В.М., Волгин И.В., Люлин С.В. Влияние структурного упорядочения полимерных цепей на газотранспортные свойства полиэфиримида BPDA-P3. Компьютерное моделирование с использованием полноатомных моделей. Материалы XIX международной научно-практической конференции Новые полимерные композиционные материалы Микитаевские чтения, стр. 136 (год публикации - 2023)

7. Аскадский А.А., Мацеевич А.В., Волгин И.В., Люлин С.В. Permeability of Polymer Membranes Based on Polyimides Towards Helium POLYMER SCIENCE SERIES A, Polymer Science, Series A, № 65(2), стр 192–212 (год публикации - 2023)
10.1134/S0965545X2370089X

8. Люлин С.В. Использование современных нейронных сетей для предсказания свойств полимеров. Программа Всероссийской конференции с международным участием «Идеи и наследие А.Е. Фаворского в органической химии», стр. 23 (год публикации - 2023)

9. Люлин С.В. Предсказание температуры стеклования полиимидов и полиамидов с помощью нейронных сетей Сборник тезисов Узбекско-Российского Симпозиума «Перспективы науки о полимерах»: «Нанополимеры: синтез, структура и применение», стр. 32-33 (год публикации - 2023)

10. Люлин С.В. Computer-aided design of heterocyclic polymers: Microsecond molecular dynamics simulations and convolutional graph neural networks Сайт Индийского института научного образования и исследований (Indian Institute of Science Education and Research, Pune). Доступ возможен с использованием VPN, сайт Индийского института научного образования и исследований (Indian Institute of Science Education and Research, Pune) (год публикации - 2023)

11. Волгин И.В., Андреева М.В., Ларин С.В., Клушин Л.И., Люлин С.В. Solubility of Gases and Free Volume Evolution in R-BAPB Polyimide: Molecular Dynamics Simulations and Analytical Theory Insights into Cooling-Velocity Effect Macromolecules (год публикации - 2023)

12. Люлин С.В., Волгин И.В., Батырь П.А., Мацеевич А.В., Добровский А.Ю., Назарычев В.М., Ларин С.В., Гойхман М.Я., Визильтер Ю.В., Аскадский А.А. Использование нейронных сетей для предсказания свойств полимеров Программа конференции «Искусственный интеллект в химии и материаловедении» Artificial Intelligence in Chemistry and Materials Science, см. приложение (год публикации - 2023)

13. Добровский А.Ю., Назарычев В.М., Волгин И.В., Люлин С.В. The Transport Properties of Semi-Crystalline Polyetherimide BPDA-P3 in Amorphous and Ordered States: Computer Simulations Membranes, Membranes, 2022, 12, 856 (год публикации - 2022)
10.3390/membranes12090856

14. Волгин И.В., Батырь П.А., Мацеевич А.В., Добровский А.Ю., Андреева М.В., Назарычев В.М., Ларин С.В., Гойхман М.Я., Визильтер Ю.В., Аскадский А.А., Люлин С.В. Machine Learning with Enormous “Synthetic” Data Sets: Predicting Glass Transition Temperature of Polyimides Using Graph Convolutional Neural Networks ACS Omega (год публикации - 2022)
10.1021/acsomega.2c04649

15. Волгин И.В., Андреева М.В., Ларин С.В., Клушин Л.И., Люлин С.В. Растворимость газов в аморфных образцах полиэфиримидов, приготовленных с различными скоростями охлаждения: компьютерное моделирование и теория ДЕВЯТАЯ ВСЕРОССИЙСКАЯ КАРГИНСКАЯ КОНФЕРЕНЦИЯ «ПОЛИМЕРЫ – 2024» СБОРНИК ТЕЗИСОВ, стр. 252 (год публикации - 2024)

16. Аскадский А.А., Мацеевич А.В. Учет влияния давления на проницаемость газов через полимерные мембраны Пластические массы, № 3, май-июнь 2024, стр. 50-53 (год публикации - 2024)
10.35164/0554-2901-2024-03-50-52

17. Люлин С.В., Волгин И.В., Батырь П.А., Мацеевич А.В., Добровский А.Ю., Назарычев В.М., Ларин С.В., Гойхман М.Я., Визильтер Ю.В., Аскадский А.А. Виртуальный дизайн новых полимеров: методы глубокого машинного обучения Научная конференция, приуроченная к 300-летию СПбГУ (год публикации - 2024)

18. Люлин С.В., Волгин И.В., Ларин С.В., Клушин Л.И. Влияние скорости охлаждения на растворимость газов в полимерах: теория и компьютерное моделирование Программа XXХ Каргинских чтений (год публикации - 2024)

Публикации

Аннотация результатов, полученных в 2024 году
В рамках третьего года работ по Проекту были проведены исследования по четырем направлениям: 3.1. Верификация результатов применения моделей машинного обучения для поиска новых перспективных ароматических полиамидов и полиимидов с заданными транспортными и теплофизическими свойствами с применением компьютерного моделирования методом полноатомной молекулярной динамики. В качестве основного объекта исследования на данном этапе был выбран новый перспективный полиимид ПИ-1, структура которого была предсказана с применением генеративных трансформерных моделей. В рамках работ по компьютерному моделированию проведена разработка полноатомной модели ПИ-1 с применением методов квантовой химии, выполнено создание и уравновешивания образцов ПИ-1 при температуре, выше его предсказанной температуры стеклования, а также получены образцы ПИ-1 при комнатной температуре в результате охлаждения с различными скоростями. На основании результатов компьютерного моделирования выполнен расчет структурных (плотность, распределение свободного объема), теплофизических (Tg, коэффициент теплового объемного расширения) и транспортных (проницаемость) характеристик исследуемых систем в зависимости от скорости охлаждения. С целью корректного определения транспортных свойств ПИ-1 полученные зависимости проницаемости по газам были аппроксимированы к экспериментальным условиям создания образцов полимеров (экспериментальным скоростям охлаждения) с применением разработанной в ходе Проекта аналитической теории. Показано, что ее применение обеспечивает качественное согласие результатов компьютерного моделирования с данными сверточных графовых нейронных сетей - в плане относительного расположения точки, соответствующей ПИ-1 на диаграммах Робсона. Таким образом, в рамках компьютерного моделирования показана перспективность применения новой методики расчета свойств полимеров, основанной на комбинированной аппроксимации температурных зависимостей проницаемости к комнатной температуре и аналогичных зависимостей от скорости охлаждения образца к ее экспериментальным значениям. 3.2. Разработка метода учета влияния давления на проницаемость полиимидов, полиамидов и полиамидоимидов по различным газам Выполнены работы по модификации расчетных QSPR-схем для учета влияния давления на проницаемость ПИ, ПА и ПАИ по He и CH4. Эффективность разработанной расчетной схемы доказана путем сравнения расчетных и литературных данных по зависимости проницаемости от давления для ряда полиимидов. Кроме того, разработан модуль для решения обратной задачи по поиску новых ПИ с заданными транспортными свойствами (проницаемостью по He и CH4) и выполнена проверка его работоспособности для случая, когда структура генерируемых ПИ состоит из 5 базовых фрагментов. По результатам работ опубликована 1 статья: А.А. Аскадский, А.В. Мацеевич. Учет влияния давления на проницаемость газов через полимерные мембраны. Пластические массы 2024, 3, 50-52, https://doi.org/10.35164/0554-2901-2024-03-50-52. 3.3. Разработка подходов к синтезу новых перспективных ароматических полиимидов или полиамидов Выполнены работы по синтезу ряда ароматических ПИ различного строения, в том числе ПИ-1 и ПИ-2, выбранных в качестве перспективных после применения трансформерных моделей для генерации новых полимеров с высокими значениями теплофизических свойств и транспортных характеристик по паре CO2/CH4. При этом для отработки методик синтеза новых перспективных ПИ были синтезированы два модельных ПИ (ПИ III и ПИ IV) с жесткими фрагментами различного строения в основной цепи. Совместный анализ свойств полученных полимеров и структур, сгенерированных с применением нейросетевых моделей, показал, что возможно создание уникальных ПИ, сочетающих как очень высокие температуры стеклования, так и хорошие транспортные свойства при условии сочетания в структуре полиимида жестких фрагментов и шарнирных групп в диангидридном фрагменте. Полученный вывод являлся одним из критериев отбора новых типов полиимидов для дальнейших исследований. 3.4. Развитие нейросетевых моделей и методов машинного обучения для решения прямой и обратной задачи при исследовании взаимосвязи структуры ароматических ПИ и ПА с их транспортными и теплофизическим свойствами. В рамках работ разработана усовершенствованная методика решения прямой задачи для случая многоцелевого обучения на неполных обучающих данных, реализующая непосредственный перенос обучения (доменную адаптацию) между доменами показателей проницаемости по различным газам. Показано, что в рамках предложенной методики обучения более перспективным методом агрегирования информации с точки зрения повешения точности предсказаний нейросетевых моделей является усреднение предсказанных по разным доменам значений. С целью дальнейшей разработки методов решения «обратной» задачи протестированы диффузионные и трансформерные модели. Анализ химической структуры сгенерированных молекул показал, что применение диффузионных моделей, обученных на согласно скорректированной методике, не привело к получению корректных структур повторяющихся звеньев. В связи с этим основное внимание было сосредоточено на развитии трансформерных моделей. В рамках данного направления проведена доработка ранее предложенной модели, что позволило перейти к решению задачи условной генерации при условии задания температуры стеклования и транспортных свойств (проницаемостей по CH4 и CO2) при учете синтезируемости. С применением данной модели были сгенерированы 401826 новых потенциально синтезируемых структур ПИ, в том числе 198 выше линии Робсона 2008 года. В ходе работ с трансформерными моделями также реализованы две новые методики генерации молекул, основанные на кластеризации пространства свойств (диаграммы Робсона в случае транспортных свойств полимеров) с применением глобального («кластерного») и локального (относительного) позиционирования генерируемых объектов (молекул) в пространстве свойств, а также соответствующих методов запрашивания (промптинга) трансформерной модели для генерации новой структуры: посредством задания конкретных областей в пространстве свойств и генерации новой структуры как «продолжения последовательности молекул. Кроме того, разработана оригинальная методика обучения трансформерных моделей, основанная на направленном генеративном расширении обучающей выборки, применение которой представляется чрезвычайно перспективным и принципиально важным для решения задач, связанных с генерацией новых молекул в областях пространства свойств, где не имеется достаточного количества обучающих примеров.

Публикации