基于多模态融合与物理验证的聚合物玻璃化转变温度逆向设计框架

《Digital Discovery》：A Multimodal Screening and Validation Framework for Polymer Glass-Transition Temperature DesignOpen Access

　　

聚合物的玻璃化转变温度（Tg）是控制其力学性能、热性能及加工窗口的重要参数。然而，实验表征和大规模分子动力学（MD）模拟往往过于耗时且消耗大量资源，难以支持高通量筛选。在此，我们提出了一种面向Tg的聚合物设计框架，将分子生成、多模态筛选和基于物理的选择性验证相结合。我们采用pSMILES作为统一的结构表示方法，并使用通配符标记明确指示聚合位点。在单体生成方面，我们开发了一种变分自编码器（VAE），将PolyBERT编码器与Transformer解码器相结合，以实现连续潜空间中的大规模采样。在Tg预测方面，我们设计了一种混合模型，将作用于分子图的图神经网络（GNN）与PolyBERT序列表示相结合。这些互补模态通过交叉注意力进行融合，并在昂贵的下游验证之前，引入单模态预测与多模态预测之间的预测一致性差距（Δ），作为筛选阶段中支持的跨架构一致性描述符。在公开基准数据集上，所提出的模型优于传统的分子指纹和PolyBERT基线模型。为进一步验证，优先候选物使用MD冷却模拟进行评估。总体而言，本工作的关键贡献并非单独的生成器或预测器，而是一个实用的逆向设计框架，该框架支持在有限验证资源下基于多标准的候选物优先级排序，并为未来的多性质优化提供了可迁移的基础。

此内容仅可通过PDF获取。

打开 PDF ，在另一个窗口中查看《聚合物玻璃化转变温度设计的多模态筛选与验证框架》

? 2026 作者。由皇家化学会出版

2026

作者

本文根据知识共享署名-非商业性使用4.0国际许可协议获得许可。您可以在不向RSC申请额外许可的情况下，在其它出版物中使用本文材料，但需给出正确的署名且不得用于商业用途。

本工作根据 知识共享署名-非商业性使用4.0国际许可协议 获得许可。