私密直播全婐app免费大渔直播,国产av成人无码免费视频,男女同房做爰全过程高潮,国产精品自产拍在线观看

  機器學習輔助聚合物設計已有一系列成功的案例。然而，其在高分子材料領域的應用仍處于初級階段，其原因在于高分子材料具有結構多尺度、性能影響因素多樣、數據集小等特點，這使得高分子材料的機器學習建模存在系列難題亟待突破。特別是聚合物的配方、合成、加工以及性能表征結果受多因素影響，高質量的數據極為稀缺，使得機器學習模型的訓練性能和推理可靠性存在一定風險，需要發展新方法解決高分子材料中的小數據問題。

圖一 基于化學知識數據增強的圖神經網絡框架

  近期，中國科學院長春應用化學研究所孫昭艷研究員團隊提出并驗證了一種基于化學知識的數據增強方案用于提升機器學習模型精度。具體來說，通過利用現成的來自其他聚合物的數據，對聚酰亞胺的化學空間進行補充，彌補了聚酰亞胺數據集中分子結構和鏈結構較為局限的困境（聚酰亞胺結構主要包括苯環、雜環等剛性結構）。這種巧妙的思路被證明可有效提升模型精度（圖二），定性地研究了化學空間分布對模型性能的影響（圖三），并給我們一個數據層面的啟示：相比于無休止地進行數據挖掘，精制一個具備結構代表性和全面性的化學空間更加重要（數據過多導致的數據冗余反而不利于模型訓練）。

圖六 篩選出的8種PI的DMA結果

  原文鏈接：https://pubs.acs.org/doi/10.1021/acs.macromol.4c00508