基于浅层-深层多模态融合框架(PolySDA)的聚酰亚胺玻璃化转变温度预测新方法

《Macromolecular Rapid Communications》：Enhanced Tg Prediction in Polyimide via PolySDA: A Novel Shallow-Deep Multimodal Fusion Framework

本研究针对聚酰亚胺材料玻璃化转变温度(Tg)预测过程中实验成本高、传统单模态机器学习方法局限性大的问题，提出新型浅层-深层多模态融合框架PolySDA。该框架通过前端特征形状统一模块、后端相似度计算模块及专用损失函数，实现分子浅层与深层特征的协同对齐，在聚酰亚胺数据集上显著提升了Tg预测精度，为工程材料性能预测提供了创新解决方案。

　　

作为特种工程材料，聚酰亚胺(Polyimide)在航空航天、电子封装及高温涂层等领域应用广泛。传统上确定聚酰亚胺物理性能（如玻璃化转变温度T_g）需依赖昂贵的实验设备，导致流程繁琐且成本高昂。虽然机器学习技术已被应用于性能预测，但多数方法仅采用单模态分子表征，忽略了分子通常具有多重表征模式的特点。尽管少数研究探索了多模态融合，但未能充分考虑浅层特征对预测性能的潜在影响。针对这些挑战，本研究提出新型多模态算法框架——PolySDA（聚酰亚胺浅层-深层对齐框架），该框架通过联合利用并对齐分子的浅层与深层多模态特征，显著提升预测精度。PolySDA在框架前后端分别引入专用模块以保持特征形状一致性并辅助相似度计算，同时结合专用损失函数实现浅层与深层表征的渐进式对齐。在聚酰亚胺数据集上的实验结果表明，该框架显著改善了预测性能，验证了其有效性。