Прогноз с учётом неопределённости температуры стеклования алифатических поликарбонатов с использованием ансамблевых методов машинного обучения

Устойчивые полимеры часто разрабатывают так, чтобы они были разлагаемыми или пригодными для переработки с использованием низкоэнергетических путей с низким выбросом CO₂ при сохранении физический свойств, сопоставимых с традиционными пластиками. Алифатические поликарбонаты (APC), изучаемые как функционализированные разлагаемые полимеры, являются перспективными кандидатами для использования в качестве устойчивых материалов. Однако улучшение их физических свойств остаётся важной задачей. Свойства полимеров зависят от различных факторов, включая химическую структуру, молекулярную массу и её распределение, разветвлённость, структуры более высокого порядка и тепловую предысторию, и поэтому не определяются однозначно. Модели машинного обучения являются мощными инструментами для прогнозирования свойств полимеров с указанием неопределённости, особенно для полимеров, отсутствующих в открытых наборах данных. В настоящей работе мы исследуем прогнозы температуры стеклования (Tg) APC с учётом неопределённости, используя ансамбли множества молекулярных дескрипторов и методов машинного обучения. Данные по Tg более чем для 50 APC были собраны из предыдущих экспериментальных исследований. Модели прогнозирования Tg были построены с использованием более чем 100 комбинаций молекулярных дескрипторов и алгоритмов машинного обучения на основе наборов данных общих полимеров. Пять лучших моделей, выбранных по коэффициентам детерминации, продемонстрировали умеренную прогностическую способность для APC. Средние значения и стандартные отклонения прогнозов, полученных от пяти лучших моделей, обеспечивают предсказания Tg с количественной оценкой неопределённости. Эта основанная на ансамблях платформа будет расширена для прогнозирования с учётом неопределённости различных свойств полимеров.