分散式生成逆向设计：实现局部均匀性，加速聚合物性能与加工方法的探索

《Macromolecules》：Dispersed Generative Inverse Design: Localized Uniformity Accelerating Polymer Property-to-Processing Discovery

通过分散策略结合集成预测和局部均匀性采样，将注塑聚丙烯的韧性/强度逆向设计实验成本降低至1/3，同时保持高精度预测，为材料高效逆向设计提供新方法。

　　

生成式逆向设计是加速具有特定性能的聚合物加工发现的关键。然而，当在少量实验数据上进行训练时，生成模型的预测精度通常较低。在这里，我们依靠来自实验验证的迭代学习，提出了一种分散策略来降低实验成本，以实现高精度的生成式逆向设计，例如通过规定注塑聚丙烯的韧性和强度性能。这种分散模型通过结合集成预测、设计空间定位和采样均匀性来加速聚合物逆向设计。值得注意的是，与需要30次迭代验证的标准集成模型相比，分散模型仅需1/3的验证次数即可达到相同的高精度。这种加速效果源于实验数据的局部均匀分布模式，即在局部设计空间内的分散分布，从而最大化了目标区域内聚合物性能特征的重建精度。总体而言，这项工作建立了先进的聚合物加工生成式逆向设计平台，并有望加速各种材料的逆向设计过程。