基于3D加权矩阵编码与多模态机器学习的聚氨酯高通量设计及高性能预测研究

《Macromolecular Rapid Communications》：Multimodal Machine Learning with 3D-Weighted-Matrix Encoding for High-Throughput Design of High-Performance Polyurethanes

来自多领域的研究团队开发了一种结合机器学习与多模态特征融合的高通量筛选框架，通过创新的3D-Weighted-Matrix编码表征聚氨酯单体，并融合合成工艺参数，实现了Young's modulus、拉伸强度和断裂伸长率的并发预测（平均R2>0.86），为高性能聚氨酯材料的设计提供了突破性计算工具。

　　

聚氨酯（Polyurethanes, PUs）作为日常生活中广泛存在的材料，因其固有的结构复杂性而面临力学性能定向设计的挑战。为解决该问题，研究团队开发了可扩展的高通量筛选框架，整合机器学习、多模态特征工程与特征融合策略，实现了聚氨酯材料力学性能的精准预测。具体而言，团队提出了一种高效的3D加权矩阵（3D-Weighted-Matrix）编码方法用于表征聚氨酯单体，其特征区分能力较传统分子描述符提升23%。合成工艺参数通过逻辑编码数字化，并与结构特征（包括3D-Weighted-Matrix化学结构表征、分子描述符及合成工艺信息）通过早期融合架构进行整合，构建了多模态深度学习模型。该模型可同步预测杨氏模量（Young's modulus）、拉伸强度（tensile strength）和断裂伸长率（elongation at break），平均决定系数（R²）超过0.86。基于此模型，团队对超过1.5亿个分子与工艺组合进行了组合筛选，识别出可提升多种力学性能指标的优化候选材料。此项研究深化了对聚氨酯内在结构-性能关联的理解，并为加速高性能聚氨酯材料的开发提供了强有力的计算框架。