用于设计高性能吲哚并噻吩基聚合物的多尺度机器学习策略

《Journal of Sulfur Chemistry》：Multiscale machine learning strategies for designing high-performance indaceno-bithiophene-based polymers

本研究采用机器学习辅助的逆聚合物工程设计高玻璃化转变温度的印第安诺-双噻吩聚合物。通过训练随机森林等模型，筛选出关键分子描述符，成功开发306种新聚合物，最高预测Tg达667℃，合成可及性评分0.001-0.20。验证了ML方法在高效设计高性能聚合物中的潜力。

　　

Remah A.S. Radi | Mohammed F. Hassan | Fatima J. Hassoun | Hussein A.K. Kyhoiesh | Hassan E. Abd Elsalam | Islam H. El Azab

伊拉克迪瓦尼亚阿尔-卡迪西亚大学（University of Al-Qadisiyah）生物技术学院，农业系

采用机器学习（ML）辅助的逆向聚合物工程方法来设计具有高玻璃化转变温度（T_g）的吲哚并噻吩聚合物。收集了482种基于吲哚并噻吩的聚合物数据集，用于训练多种ML模型，包括随机森林、决策树、AdaBoost和梯度提升算法。随机森林模型表现最佳，其R²值为0.97，均方误差（MSE）为19.69。特征重要性分析表明，重原子、Chi1、Chi0、LabuteASA、Chi0v和estate_VSA8是影响预测T_g值的最重要因素。利用训练好的随机森林模型，设计了306种新的吲哚并噻吩聚合物，其预测的T_g值范围为224-667℃。其中最高的预测T_g值为667℃，表明这些设计出的聚合物具有较高的热稳定性。同时评估了这些聚合物的合成可行性，其得分范围为0.001至0.20。这项工作展示了ML辅助逆向聚合物工程在设计具有特定性能的高性能聚合物方面的潜力。该方法可应用于其他聚合物体系，有助于快速开发出热稳定性更优的新材料。