[论文解读] 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 0

一句话总结

本文将分子动力学（MD）模拟、机器学习（ML）与ECNLE理论相结合，利用模拟/ML所得的T_g输入来计算温度相关的松弛时间、脆弱性及扩散，进而预测聚合物的玻璃转变动力学与松弛行为。

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.

研究动机与目标

• 推动对聚合物玻璃转变温度（T_g）及松弛动力学的准确预测。
• 开发将分子动力学、机器学习与弹性耦合非线性朗之万方程（ECNLE）理论相结合的多尺度框架。
• 提供来自仿真与ML的T_g输入以驱动ECNLE在不同温度下的预测。
• 将预测与实验数据进行对比并评估输入精度对动力学的影响。

提出的方法

• 利用MD通过冷却与体积分析估算PPS、PI、PPG和PB的T_g。
• 用以SMILES衍生指纹为输入、训练高斯过程回归（GPR）模型来从聚合物数据集预测T_g。
• 在ECNLE理论中以T_g作为热映射输入，计算结构松弛时间与扩散系数。
• 应用将体积分数与温度通过T ≈ T_g + (Φ_g − Φ)/(βΦ_0)的热映射关系进行转化，以实现基于温度的预测。
• 探索通过非普适耦合参数a_c来调节ECNLE中的弹性屏障并评估预测对该参数的敏感性。

实验结果

研究问题

• RQ1 MD模拟与ML预测的T_g值是否可作为ECNLE理论输入，用于预测聚合物松弛时间与脆弱性随温度的变化？
• RQ2 在推动ECNLE预测方面，MD与ML的T_g估计与实验数据相比有何差异？
• RQ3 引入材料特定耦合参数a_c对ECNLE预测准确性有何影响？
• RQ4 将体积分数转化为不同聚合物温度的简单热映射是否足够？
• RQ5 使用MD或ML的T_g输入的ECNLE预测是否能够再现实验观测到的扩散行为？

主要发现

• MD推导的T_g值与所研究聚合物的实验数据具有良好的定量一致性。
• 机器学习预测的T_g在某些值上存在高估，但仍能给出接近实验结果的动力学脆弱性。
• 使用实验、MD与ML的T_g输入进行的ECNLE计算在很大程度上再现了结构松弛时间和扩散系数随温度的变化趋势。
• 使用MD或ML输入得到的动态脆弱性m保持在与实验脉动脆弱性接近的合理范围内，且有时ML输入更接近实验结果。
• a_c调节影响对实验τ_α(T)的拟合，表明ECNLE中对集体弹性屏障的建模敏感性。
• 通过ECNLE得到的扩散系数与选定聚合物的宽带介电谱结果高度一致。