作为当代世界的基本材料，聚丙烯等聚合物存在于从计算机到汽车等各种领域。由于它们无处不在，材料科学家需要准确地了解每种新开发的聚合物在不同制备条件下的表现。据外媒报道，在期刊《先进材料科学与技术（Science and Technology of Advanced Materials）》上发表的一项新研究中提到，现在研究人员可以通过机器学习来确定新聚合物的预期性能。
（图片来源：先进材料科学与技术）
预测新聚合物的机械性能，比如抗拉强度或柔韧性，通常需要对它们进行具有破坏性且昂贵的物理测试。然而，由日本国立材料科学研究所（National Institute for Materials Science）领导的研究团队表明，机器学习可以预测聚合物的材料特性。
该团队通过一组名为均聚聚丙烯（homo-polypropylenes）的聚合物开发了这种方法，利用在不同制备条件下聚合物的X射线衍射图，提供关于其复杂结构和特征的详细信息。研究人员表示：“机器学习可以施加于现有材料的数据，以预测未知材料的性质。然而，为了实现准确的预测，这必须使用能够正确代表这些材料特征的描述符。”
热塑性结晶聚合物（例如聚丙烯）具有特别复杂的结构，且在将其成型为最终产品形状的过程中会进一步改变。因此，通过X射线衍射来充分记录聚合物结构的细节，并确保机器学习算法能够识别该数据中最重要的描述符，对于该团队来说非常重要。
研究人员为此使用名为贝叶斯光谱反褶积（Bayesian spectral deconvolution）的工具分析了两个数据集，这种工具可以从复杂的数据中提取模式。第一个数据集是15种均聚聚丙烯在一定温度范围内的X射线衍射数据，第二个是经过注射成型的4种均聚聚丙烯的数据。所分析的机械性能包括刚度、弹性、材料开始变形的温度，及其断裂前的拉伸量。
该团队发现，机器学习分析可以准确地将X射线衍射图像中的特征与聚合物的特定材料特性联系起来。通过X射线衍射数据更容易预测一些机械特性，而其他一些特性（如拉伸断裂点）则更具挑战性。
研究人员认为，这项研究描述了仅使用聚合物材料的X射线衍射结果来提供高精度机器学习预测模型的程序，将为传统的聚合物测试方法提供非破坏性替代方法。
该团队还提出，这种贝叶斯光谱反褶积方法可以应用于其他数据，如X射线光电子能谱，并用于了解其他材料的性质，包括无机和有机材料。“未来这可能成为数据驱动聚合物设计和科学方法的测试案例。”
