[論文レビュー] Multiscale Prediction of Polymer Relaxation Dynamics via Computational and Data-Driven Methods

Nguyen T. T. Duyen, Ngo T. Que+1 more|arXiv (Cornell University)|Jan 19, 2026

Material Dynamics and Properties被引用数 0

ひとこと要約

この論文はMDシミュレーション、機械学習、ECNLE理論を統合し、シミュレーション/MLからのT_g入力を用いて温度依存の緩和時間・拡散を計算することで、ポリマーのガラス転移ダイナミクスと緩和を予測する。

ABSTRACT

We present a multiscale modeling approach that integrates molecular dynamics simulations, machine learning, and the Elastically Collective Nonlinear Langevin Equation (ECNLE) theory to investigate the glass transition dynamics of polymer systems. The glass transition temperatures (Tg) of four representative polymers are estimated using simulations and machine learning model trained on experimental datasets. These predicted Tg values are used as inputs to the ECNLE theory to compute the temperature dependence of structural relaxation times and diffusion coefficients, and the dynamic fragility. The Tg values predicted from simulations show good quantitative agreement with experimental data. While machine learning tends to slightly overestimate Tg, the resulting dynamic fragility values remain close to experimental fragilities. Overall, ECNLE calculations using these inputs agree well with broadband dielectric spectroscopy results. Our integrated approach provides a practical and scalable tool for predicting the dynamic behavior of polymers, particularly in systems where experimental data are limited.

研究の動機と目的

• ポリマーのガラス転移温度 (T_g) および緩和ダイナミクスの正確な予測を動機付ける。
• 分子動力学、機械学習、弾性的集合非線形 Langevin 方程式 (ECNLE) 理論を統合した多スケールフレームワークを開発する。
• シミュレーションとMLからのT_g入力を用いてECNLE予測を温度全域で駆動する。
• 実験データと予測の整合性を検証し、入力精度がダイナミクスに及ぼす影響を評価する。

提案手法

• PPS、PI、PPG、PBのT_gを冷却と体積解析で推定するためにMDを用いる。
• ポリマー データセットから予測するために、SMILES由来のフィンガープリントを用いたGaussian Process Regression (GPR)モデルを訓練する。
• T_gを熱マッピング入力として用い、ECNLE理論で構造緩和時間と拡散係数を計算する。
• 温度基準の予測を可能にするため、体積分率と温度を関連付ける熱マッピングを適用する（T ≈ T_g + (Φ_g − Φ)/(βΦ_0)）。
• ECNLE内で弾性的障壁を調整する非普遍的カップリングパラメータ a_c を探索し、予測の感度を評価する。

実験結果

リサーチクエスチョン

• RQ1 MDシミュレーションとMLで予測されたT_g値をECNLE理論の入力として用い、ポリマーの緩和時間と脆性の温度依存性を予測できるか。
• RQ2 MDおよびMLのT_g推定値がECNLE予測を推進する際、実験データと比べてどの程度一致するか。
• RQ3 材料固有の結合パラメータ a_c の導入がECNLEベースの予測精度に与える影響は何か。
• RQ4 体積分率を温度へ変換する単純な熱マッピングで、異なるポリマー間の適用は十分か。
• RQ5 MDまたはMLのT_g入力を用いたECNLE予測は、実験で観測される拡散挙動を再現するか。

主な発見

• MD由来のT_g値は studied polymers の実験データと良好な定量的一致を示す。
• 機械学習によるT_g予測は一部のT_g値を過大評価するが、ダイナミックな脆性は実験結果に近い値を示す。
• 実験的、MD、MLのT_g入力を用いたECNLE計算は、構造緩和時間と拡散係数の温度依存性を概ね再現する。
• MDまたはML入力を用いた動的脆性 m は実験脆性の合理的範囲内にとどまり、ML入力は時により近い一致を示す。
• a_cの調整は実験τ_α(T)への適合性に影響を与え、ECNLE内の集合的弾性障壁のモデリング感度を示す。
• ECNLEで計算された拡散係数は、選択されたポリマーに対して広帯域誘電分光法の結果と良く整合する。