聚合物材料的微观结构由分子结构所决定，同时包含着宏观性质的信息，在聚合物材料设计中起到承上启下的关键作用。随着聚合物材料不断发展，其微观结构之间的差距逐渐趋同，难以使用人眼区分，而机器学习方法通过定量化识别图像的方法，解决上述问题。但当使用实验中获得的少量结构图像进行机器学习训练时，仍旧面临着样本量少且稀疏，黑箱模型解释性差的问题。

图1  机器学习流程示意图

针对迁移学习，数据本身特点以及后续的特征可视化操作，设计卷积神经网络（后续简称aim-Net，图2）用于训练。首先通过图像剪裁进行图像的数据增强，随后根据文献中（npj Comput Mater 2019, 5, 95.）的方法使用Cahn-Hilliard方程生成的模拟图像进行模型的预训练，再次使用实验中获取的AFM图像微调模型的参数。最终获得十分出色的分类与回归结果（图3）。

图2  针对迁移学习与特征可视化方法所设计的神经网络

图3 原始图片获取与训练结果（a）PS-nBA共聚物，从左至右分别为两嵌段共聚物，三嵌段共聚物，线形梯度共聚物，V形梯度共聚物，无规共聚物，（b）图像剪裁进行数据增强，（c）使用卷积神经网络获得的回归结果，（d）使用卷积神经网络获得的分类结果

图4 （a）使用Guided-Back Propagation算法以及Smooth Grad算法进行特征可视化的结果（b）两嵌段共聚物（DI）在不同网络以及迁移学习前后可视化结果对比图（c）三嵌段共聚物（TRI）在不同网络以及迁移学习前后可视化结果对比图

图5 （a）边缘梯度提取定义模糊度（b）全部轮廓周长加和定义分散度（c）对特征进行9种非线性变换（d）获得定量化公式（e）定量化公式回归结果小提琴图

  原文链接：https://pubs.acs.org/doi/10.1021/acsami.2c15311