Методы машинного обучения для моделирования свойств органических сопряженных полимеров

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 25-73-00401

НазваниеМетоды машинного обучения для моделирования свойств органических сопряженных полимеров

Руководитель Коскин Игорь Павлович, канд. хим. наук

Организация финансирования, регион федеральное государственное бюджетное учреждение науки Новосибирский институт органической химии им. Н.Н. Ворожцова Сибирского отделения Российской академии наук , Новосибирская обл

Конкурс №110 - Конкурс 2025 года «Проведение инициативных исследований молодыми учеными» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными, приоритетного направления деятельности Российского научного фонда «Поддержка молодых ученых»

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

Ключевые слова Органические полимеры, машинное обучение, нейросеть, молекулярный дизайн, полупроводник, фотолюминесценция

Код ГРНТИ31.15.00

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Органические сопряженные полимеры являются одним из наиболее востребованных классов соединений в современной науке о материалах благодаря их почти безграничному разнообразию, широкому спектру оптоэлектронных, физико-химических и структурных свойств, гибкости и в перспективе – биосовместимости. Направленный поиск новых полимерных материалов является важным аспектом молекулярного дизайна новых соединений с заданными свойствами. Благодаря ему возможно создание всё более и более эффективных полимерных органических транзисторов, светодиодов, фотовольтаических элементов и лазеров. Однако синтез новых органических сопряженных полимеров является крайне затратной и нетривиальной задачей, что ограничивает возможности скрининга с целью поиска материалов с необходимыми свойствами, а существующие методы вычислительного моделирования свойств полимеров либо ограничены в области применения (молекулярная динамика), либо не позволяют вычислять представляющие интерес свойства с должной точностью (теория функционала плотности). Альтернативным подходом для оценки свойств новых полимерных материалов являются машинное обучение, получившее за последние десять лет все более и более широкое применение в вычислительной химии. Тренировка новых моделей машинного обучения на основе доступных экспериментальных данных позволит не только ускорить скрининг перспективных полимеров, но и также получить возможность с высокой точностью теоретически оценивать те их свойства, которые затруднительны для предсказания методами вычислительной химии. Применение методов машинного обучения позволяет добиться большей точности предсказания, погрешность которого теоретически ограничена лишь качеством и представительностью выборки, использованной для тренировки. Помимо этого, полученная модель зачастую не требует каких-либо дополнительных навыков и квалификаций для применения, требует в качестве вводных данных исключительно химическую структуру мономера и позволяет практически мгновенно вычислять необходимые свойства – в том числе и новых соединений, с которыми модель ранее не встречалась. Всё это открывает возможности применения обученных моделей машинного обучения специалистами во всех областях науки о материалах. В рамках настоящего проекта планируется разработать и обучить ряд моделей машинного обучения, способных предсказывать широкий спектр физико-химических свойств органических сопряженных полимеров: модуль Юнга, энергии граничных орбиталей и энергетический зазор между ними, электрохимические свойства, оптические свойства и подвижность носителей зарядов. В рамках разработки моделей машинного обучения, в частности, будут применяться подходы, ранее не использовавшиеся для моделирования органических полимеров, но способные улучшить точность итоговой модели: метод «разделяй и властвуй» (обучение различных моделей для различных классов полимеров), а также последовательное обучение (каждая последующая модель использует данные, предсказанные предыдущей). Все это позволит открыть новые пути к поиску и направленному молекулярному дизайну новых органических сопряженных полимеров с заданными физико-химическими свойствами.

Ожидаемые результаты
В рамках настоящего проекта планируется разработать комплекс обученных моделей машинного обучения, позволяющий предсказывать всесторонние физико-химические свойства органических сопряженных полимеров: гибкость и растяжимость (модуль Юнга), температура стеклования, энергия граничных орбиталей и энергетический зазор между ними, положение полос поглощения и излучения, квантовый выход фотолюминесценции и подвижность носителей зарядов. Точность предсказаний модели будет соответствовать передовому уровню современной науки. Полученные модели машинного обучения будут опубликованы в открытом доступе, что позволит специалистам во всех областях науки о материалах пользоваться ими. Высокая скорость и точность их работы откроет новые пути в направленном молекулярном дизайне новых органических сопряженных полимеров с заданными физико-химическими свойствами.