基于机器学习的实验优先级评估：利用稀疏文献数据，选择从海藻中提取的生物塑料薄膜，以实现类似低密度聚乙烯（LDPE）的机械性能目标

《Polymers》：Machine-Learning-Guided Experimental Prioritization of Seaweed-Derived Bioplastic Films Toward an LDPE-like Mechanical Target Using Sparse Literature Data

　　

摘要

海藻多糖薄膜是石油基柔性包装的潜在替代品，但相关文献数据匮乏且不具代表性。本研究评估了仅基于成分信息的机器学习模型是否能够筛选出符合实验要求的海藻配方，这些配方的性能目标接近低密度聚乙烯（LDPE）的典型指标：抗拉强度为15 MPa，断裂伸长率为300%。研究人员分析了包含115种配方和41个成分参数的公开数据集，使用了几种不同的机器学习模型，包括正则化线性回归（ridge regression）、随机森林（random forest）以及设计较为简单的正则化XGBoost模型。模型性能通过五折交叉验证（10次重复，50次测试）进行评估。对于抗拉强度，随机森林模型的平均预测值为0.617 ± 0.174 MPa，XGBoost模型的平均预测值为0.628 ± 0.150 MPa，相应的均方根误差（RMSE）分别为12.35 ± 3.52 MPa和12.27 ± 3.84 MPa；对于断裂伸长率，随机森林模型的平均预测值为0.498 ± 0.194%，XGBoost模型的平均预测值为0.470 ± 0.188%。结果表明，线性模型无法充分反映成分与性能之间的关系。实验中观察到的最大伸长率为172.5%，低于设定目标值的42.5%，而设定目标值则比数据集中的最大伸长率高73.9%。因此，这些模型无法确立海藻多糖薄膜与LDPE之间的等效性，也无法对其进行可靠的性能预测。为了进一步分析模型的可靠性，还进行了残差诊断、学习曲线和SHAP值分析。综上所述，该研究的结果主要表明在现有数据范围内可以对海藻多糖薄膜进行实验性优先选择，而非进行逆向设计或材料替换。