Prediction of Diblock Copolymer Morphology via Machine Learning

要約

長いタイムスケールにわたる大規模ドメインのブロックポリマー形態進化の計算を加速するための機械学習アプローチが提示されます。
この戦略は、モノマースケールでの粗粒粒子の進化とメゾスコピックスケールでのゆっくりとした形態的進化の間の特徴的な時間の分離を利用します。
経験的な連続体モデルとは対照的に、提案されたアプローチは、確率的に駆動される欠陥消滅プロセスを粒子ベースのシミュレーションから直接学習します。
さまざまな境界条件を尊重する UNet アーキテクチャが採用されているため、任意の形状の周期的で固定された基板境界条件が可能になります。
物理概念も損失関数によって導入され、対称性はデータ拡張によって組み込まれます。
モデルは 3 つの異なるユースケースを使用して検証されます。
説明可能な人工知能手法を適用して、時間の経過に伴う形態の進化を視覚化します。
このアプローチにより、大きなシステム サイズと長い軌道を生成して、さまざまなタイプの閉じ込め下での欠陥密度とその進化を調査することが可能になります。
応用として、単一ブロック内の粒子の拡散を理解するために後期の形態にアクセスすることの重要性を示します。
この研究は、マイクロエレクトロニクス、電池材料、および膜における方向性自己組織化および材料設計に影響を及ぼします。

要約(オリジナル)

A machine learning approach is presented to accelerate the computation of block polymer morphology evolution for large domains over long timescales. The strategy exploits the separation of characteristic times between coarse-grained particle evolution on the monomer scale and slow morphological evolution over mesoscopic scales. In contrast to empirical continuum models, the proposed approach learns stochastically driven defect annihilation processes directly from particle-based simulations. A UNet architecture that respects different boundary conditions is adopted, thereby allowing periodic and fixed substrate boundary conditions of arbitrary shape. Physical concepts are also introduced via the loss function and symmetries are incorporated via data augmentation. The model is validated using three different use cases. Explainable artificial intelligence methods are applied to visualize the morphology evolution over time. This approach enables the generation of large system sizes and long trajectories to investigate defect densities and their evolution under different types of confinement. As an application, we demonstrate the importance of accessing late-stage morphologies for understanding particle diffusion inside a single block. This work has implications for directed self-assembly and materials design in micro-electronics, battery materials, and membranes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google