《Polymers》:Fine-Tuning Directional Message Passing Neural Networks: Predicting Properties of Conjugated Organic Polymers with High Accuracy
Igor P. Koskin,
Lev S. Petrosyan and
Maxim S. Kazantsev
编辑推荐:
共轭有机聚合物是现代有机电子学的基石,但受限于合成复杂度与量子化学方法的高计算成本,其性质的精准预测仍是极具挑战的任务。研究人员开发了基于DimeNet++定向消息传递架构的图神经网络,可直接从三维单体结构预测共轭聚合物的HOMO(最高占据分子轨道)、LUMO
共轭有机聚合物是现代有机电子学的基石,但受限于合成复杂度与量子化学方法的高计算成本,其性质的精准预测仍是极具挑战的任务。研究人员开发了基于DimeNet++定向消息传递架构的图神经网络,可直接从三维单体结构预测共轭聚合物的HOMO(最高占据分子轨道)、LUMO(最低未占分子轨道)及能隙。模型先在TD-DFT(含时密度泛函理论)外推数据上进行预训练,再于有限规模的实验测量数据集上完成训练。结果显示,预训练显著提升了模型精度,直接训练的HOMO/LUMO及能隙平均绝对误差分别约为0.3 eV、0.141 eV和0.172 eV,而预训练后降至0.074 eV、0.141 eV和0.172 eV;基于单体DFT数据的预训练未产生可比增益。结果表明,与聚合物相关的预训练对捕捉结构-性能关系至关重要,可在无需Δ学习或前置量子化学计算的前提下实现高精度预测,为有机光电子学领域的共轭聚合物高效筛选与理性设计提供支持。
该研究发表于《Polymers》,针对共轭有机聚合物性质预测的核心瓶颈展开工作。当前这类材料因轻质、柔性、低成本等优势,广泛应用于有机太阳能电池、场效应晶体管、光电二极管、传感器、有机电池及超级电容器等领域,但传统试错式合成与实验表征效率极低;量子化学模拟中,DFT/TD-DFT难以精准描述聚合物的超分子特性,GW近似则计算成本过高,均不适用于大规模筛选。同时现有机器学习模型对能隙的预测平均绝对误差多在0.12 eV以上,低于0.1 eV的精度目标尚未实现,且δ学习方法需前置量子化学计算,仍受限于耗时步骤。因此研究人员尝试构建新型预测框架,在不依赖前置计算的前提下突破精度瓶颈。
研究采用的关键技术方法如下:数据集选用包含约54000条TD-DFT外推单体数据的Dataset A-TD与约1300条实验测量聚合物数据的Dataset B,对数据进行Box-Cox变换与8:1:1划分;采用DimeNet++定向消息传递神经网络(DMPNN)架构,输入为原子编号与三维坐标,其中Dataset B的单体结构经MMFF94s分子力学力场优化;预训练阶段分别在单体DFT数据与TD-DFT外推数据上完成,微调阶段不冻结权重以适应几何结构差异,最终通过k折交叉验证评估模型泛化性。
研究结果部分按如下内容展开:
3.1 基础模型性能:仅用Dataset B训练的Model 1对HOMO、LUMO、能隙的平均绝对误差分别为0.3130 eV、0.4401 eV、0.4271 eV,精度无法满足应用需求。
3.2 预训练模型表现:基于单体DFT数据预训练的Model 2a三项指标误差分别为0.0220 eV、0.0310 eV、0.0315 eV,基于TD-DFT外推数据预训练的Model 3a分别为0.0483 eV、0.0383 eV、0.0380 eV。
3.3 微调后模型性能:Model 2微调后误差未获改善,Model 3微调后对能隙、HOMO、LUMO的平均绝对误差分别达0.0742 eV、0.1407 eV、0.1718 eV,较基线显著提升。
3.4 特征空间分析:UMAP降维显示微调未大幅改变模型内部语义结构,属于软适配过程,说明预训练已捕捉到共轭聚合物化学空间的通用特征。
讨论部分指出,小样本实验数据与传统实验测量误差是Model 1精度不足的核心原因,而TD-DFT外推预训练可让模型感知聚合物的链状延伸特性,这是Model 3性能优于Model 2的关键。当前模型未纳入区域规整性、立构规整性、侧链效应等超分子参数,单体几何结构的分子力学优化精度也有待提升,二者是后续优化的主要方向。Model 3的能隙预测精度与领域内最优结果相当,且无需前置TD-DFT计算,可直接从单体结构输出预测值,大幅提升筛选效率。
研究结论可总结为:基于DimeNet++架构的模型可直接从三维单体结构高精度预测共轭聚合物的HOMO、LUMO与能隙;直接训练有限实验数据的模型性能较差,而TD-DFT外推数据预训练结合实验数据微调的策略可将能隙、HOMO、LUMO的平均绝对误差分别降至0.074 eV、0.141 eV、0.172 eV;该策略无需前置量子化学计算,避免了耗时的TD-DFT预步骤,证实与聚合物相关的预训练数据是捕捉结构-性能关系的核心,为共轭聚合物的高效筛选与靶向设计提供了可行框架。