エポキシポリマーの物性および機械的特性を同時に予測するための、ガウス過程回帰に基づく知識蒸留フレームワーク

要約: エポキシ樹脂はその多機能特性のために広く使用されていますが、機械学習（ML）アプリケーションは、その複雑な3次元分子構造、多成分性、およびキュレーションされたデータセットの不足のために制限されています。既存のML研究は、主にシミュレーションデータ、特定の性質、または限られた成分範囲に制限されています。これらの制限に対処するために、私たちは情報提供型ガウス過程回帰（GPR）に基づく知識蒸馏（Knowledge Distillation、KD）フレームワークを開発し、熱固化エポキシ樹脂の複数の物理的（ガラス転移温度、密度）および機械的性質（弾性率、引張強度、圧縮強度、曲げ強度、破壊エネルギー、接着強度）を予測しました。モデルは、多様なモノマークラス（9種の樹脂、40種の硬化剤）をカバーする実験文献データで訓練されました。個別のGPRモデルは、非線形の特徴-特性関係を捉える教師モデルとして機能し、統一されたニューラルネットワークのスチューデントモデルは、すべての特性に跨る知識を同時に蒸留して学習します。ターゲット特性を入力特徴としてエンコードすることにより、スチューデントモデルは特性間の相関を活用します。RDKitを用いたSMILES表現から抽出された分子レベルの記述子は、物理情報を組み込んだモデルを作成します。このフレームワークは、GPRの解釈性と頑健性を、深層学習のスケーラビリティと一般化能力と組み合わせます。比較分析により、従来のMLモデルよりも優れた予測精度が示されます。同時多特性予測は、相関する特性間の情報共有を通じて精度をさらに向上させます。提案されたフレームワークは、目的の特性を備えた新規エポキシ樹脂の設計を加速します。