Nachrichten Lacktechnologien
Machine Learning sagt Glasübergangstemperatur voraus
Ein US-amerikanisches Forschungsteam hat verschiedene Machine-Learning-Ansätze zur Vorhersage der Glasübergangstemperatur (Tg) von Polymeren systematisch verglichen. Auf Basis eines Datensatzes von 250 Polymeren erzielte ein Multi-Layer Perceptron (MLP) mit 17 ausgewählten molekularen Deskriptoren die besten Ergebnisse und ermöglicht so eine schnelle und kostengünstige Vorhersage thermischer Polymereigenschaften.
Die Glasübergangstemperatur (Tg) ist ein entscheidender Parameter für amorphe Polymere, da sie deren Verhalten unter verschiedenen thermischen Bedingungen bestimmt. Für Anwendungen in der Luft- und Raumfahrt, im Biomedizinbereich sowie in Beschichtungssystemen ist die genaue Kenntnis der Tg essenziell, um Materialleistung über verschiedene Temperaturbereiche hinweg zu bewerten. Konventionelle experimentelle Methoden zur Bestimmung der Tg sind jedoch zeitaufwendig, kostenintensiv und für das Screening grosser Polymerbibliotheken kaum praktikabel. Vor diesem Hintergrund gewinnen computerbasierte Ansätze zunehmend an Bedeutung.
Das Forschungsteam integriert Machine Learning mit einem cheminformatischen Rahmenwerk, um Tg-Werte über einen breiten Polymerdatensatz zu analysieren. Auf Basis eines Datensatzes von 250 Polymeren wurden verschiedene ML-basierte Quantitative Struktur-Eigenschafts-Beziehungs-Modelle (ML-QSPR) konstruiert. Als initialer Schritt kamen genetische Algorithmen (GA) und multiple lineare Regression (MLR) zum Einsatz, um einen optimalen Satz molekularer Deskriptoren zu identifizieren.
Lesetipp: Lacksysteme
Heutige Lacksysteme müssen eine Vielzahl von Anforderungen erfüllen: vom stabilen Farbeffekt bis hin zum Korrosionsschutz. Ein umfassendes Verständnis, sowohl über die in einer Formulierung verwendeten Komponenten als auch über die Wechselwirkungen dieser untereinander, ist dazu unabdingbar. Auch der Produktionsprozess, das Beschichtungsverfahren und die Bedingungen bei der Filmbildung bestimmen das Eigenschaftsprofil der Beschichtung. In dem Buch „“Leistungsstarke Lacke formulieren““ werden Lackchemikern oder Formulierungsspezialisten Prinzipien an die Hand gegeben, wie die Eigenschaften einer Beschichtung gezielt beeinflusst werden können. Ebenso soll dieses Wissen dazu dienen, Fehler zu vermeiden oder diese schnell zu korrigieren.
Multi-Layer Perceptron als leistungsfähigstes Modell
Anschliessend wurden verschiedene nichtlineare Machine-Learning-Methoden vergleichend eingesetzt: Support Vector Regression (SVR), Gaussian Process Regression (GPR), Random Forest (RF) und Multi-Layer Perceptron (MLP). Jede Methode bietet spezifische Vorteile: SVR eignet sich besonders für komplexe hochdimensionale Daten, MLR ermöglicht transparente Interpretationen, während MLP als Form künstlicher neuronaler Netze komplexe Muster über verbundene Neuronenschichten erfassen kann.
Die Ergebnisse zeigen, dass das MLP-Modell mit 17 ausgewählten Deskriptoren die höchste Vorhersagegenauigkeit erzielt. Die R²-Werte lagen bei 0,82 für das Training und 0,79 für die externe Validierung. Damit demonstriert das Modell eine gute Leistungsfähigkeit bei der Vorhersage von Tg-Werten und verdeutlicht die Bedeutung spezifischer struktureller Deskriptoren für präzise Polymereigenschaftsvorhersagen.
Praxisrelevanz für Polymer- und Beschichtungsentwicklung
Die Studie ordnet sich in eine wachsende Zahl von Arbeiten ein, die ML-basierte QSPR-Modelle zur Vorhersage thermischer Polymereigenschaften nutzen. Frühere Arbeiten haben etwa hybride Modellierungsstrategien mit Molekulardynamik-Simulationen kombiniert oder Deep-Learning-Ansätze mit Interpretationsmethoden entwickelt. Der vorliegende Vergleich verschiedener ML-Methoden auf einem breiten Polymerdatensatz erweitert das Verständnis darüber, welche Algorithmen sich am besten für Tg-Vorhersagen eignen.
Für Formulierer und Materialentwickler eröffnet der Ansatz die Möglichkeit, das Design neuer Polymere mit gewünschten thermischen Eigenschaften deutlich zu beschleunigen und gleichzeitig den Aufwand für arbeitsintensive experimentelle Prozeduren zu reduzieren. Insbesondere im Bereich Beschichtungen, wo Bindemitteleigenschaften wie Filmbildung, Flexibilität und Härte eng mit der Tg zusammenhängen, bietet die Integration von ML und QSPR-Modellen ein wertvolles Werkzeug für die effiziente Entwicklung und Optimierung neuer Systeme.
Quelle: Keya, K. N. et al. Comparative evaluation of machine Learning-based QSPR techniques for predicting polymer glass transition temperature. Discov. Mater. 6, 154 (2026). https://doi.org/10.1007/s43939-026-00587-6
