ADEPT-PolyGraphMT：用于聚合物性质生成与预测的自动化分子模拟与多任务多保真度机器学习

《Digital Discovery》：ADEPT-PolyGraphMT: automated molecular simulation and multi-task multi-fidelity machine learning for polymer property generation and prediction

　　

聚合物性质预测面临巨大的化学设计空间和跨多个性质的一致高质量数据有限性的挑战。本研究提出了一种集成聚合物信息学框架，将自动化聚合物模拟分子动力学引擎（ADEPT）工作流与多任务多保真度机器学习（PolyGraphMT）相结合。聚合物重复单元被表示为分子图，并使用图神经网络处理以学习结构-性质关系。从单体的SMILES表示出发，ADEPT通过分子动力学模拟和密度泛函理论计算，自动化构建原子模型并评估其性质。模拟数据与整理的实验数据及基团贡献理论估计相结合，构建了一个包含约62?000个聚合物性质值的统一数据集，涵盖热学、力学、输运、电子、光学和结构等28种性质。利用该数据集，研究人员分析了性质间的相关性，并评估了用于联合性质预测的多任务学习策略。结果表明，在数据丰富的情况下，多任务模型的性能与单任务模型相当；而在训练数据有限时，多任务模型表现出更高的准确性。此外，保真度感知学习在代表性的多保真度性质上显示出与实验数据更好的一致性。训练后的模型进一步应用于PolyInfo数据库（约13?000种聚合物）和PI1M虚拟聚合物库（约100万种聚合物）的大规模性质预测，在广泛的化学空间中产生了物理一致的性质分布。总体而言，该框架为跨多种性质类型和数据保真度水平的聚合物性质可扩展预测和筛选提供了一种结构化方法。

聚合物在现代材料科学中占据核心地位，这得益于其在热学、力学、输运和电子性质方面卓越的化学多样性和可调性。这种多功能性支撑着从结构材料、膜材料到储能、电子和生物医学器件等广泛应用。然而，识别具有目标性质组合的聚合物仍然是一个基本挑战，因为可访问的化学空间实际上是无限的，而实验表征既耗时又具有性质特异性。数据可用性是材料信息学的核心要求，因为机器学习模型严重依赖于训练数据的质量、数量和多样性。在聚合物领域，专门的数据库如PolyInfo和Polymer Genome通过汇编选定性质的实验测量和第一性原理数据，推动了聚合物信息学的重要进展。尽管这些数据库取得了进展，但底层数据仍然非常稀疏且异质。对于大多数聚合物，通常只报告有限数量的性质，且测量条件（如加工历史、分子量和测试条件）往往不同。除了数据库开发，聚合物信息学的最新进展还集中在聚合物表示、大规模生成设计框架和受基础模型启发的学习方法上。多项研究强调了具有化学意义的聚合物表示对于实现可扩展机器学习工作流的重要性。此外，最近的研究证明了高通量分子动力学工作流用于大规模生成聚合物性质数据的可行性。同时，众所周知，模拟衍生的性质，特别是从经典分子动力学获得的性质，由于力场限制、有限链效应、不完全平衡和原子振动的经典处理，通常与实验测量存在系统性偏差。然而，分子动力学预测通常与多种聚合物性质的实验趋势保持强相关性，这表明模拟数据可以作为学习全局结构-性质关系的低保真度代理，即使存在相对于实验的系统性偏差。机器学习已成为直接从化学结构预测聚合物性质的有力框架，能够快速评估那些在实验或计算上难以大规模表征的材料。单任务学习方法（即为每个性质独立训练模型）在预测诸如玻璃化转变温度（T_g）、弹性模量和介电响应等目标方面已显示出良好的准确性。然而，这些模型对于稀疏采样的性质本质上是数据低效的，并且没有利用聚合物性质之间的强相关性。多任务学习通过跨多个任务学习共享表示来解决这些限制，从而在相关性质之间实现信息传递。尽管取得了这些进展，聚合物性质数据集本质上仍然是异质的，结合了在保真度上差异很大的实验测量、分子动力学、密度泛函理论和基团贡献数据。将所有数据源视为同等可靠会使学习模型偏向于丰富但低保真度的数据，而丢弃计算数据则会限制化学覆盖范围。尽管多保真度学习策略在更广泛的材料科学背景下已被探索，但其与聚合物性质预测的多任务学习的系统集成仍然有限。本研究在几个重要方面不同于现有的模拟到真实迁移学习框架。PolyOmics主要侧重于在大型均匀分子动力学数据集上预训练机器学习模型，然后针对下游任务在有限的实验数据上进行微调。相比之下，本研究开发的框架旨在将跨越多个物理领域、性质和保真度水平的异质数据集联合集成到一个统一的多任务图学习框架中。本研究不是仅仅通过顺序的预训练-微调范式来处理模拟和实验，而是通过保真度感知加权优化和任务分组的多元性质学习，将实验测量与多个具有不同物理精度和计算成本的计算数据源（包括密度泛函理论、分子动力学和基团贡献估计）结合起来。重要的是，并非所有性质都包含相同的保真度组合，因此有效的多保真度覆盖仍然强烈依赖于性质。这种表述使模型能够利用跨性质的相关性和跨异质保真度的互补信息，同时保持对多样化聚合物性质领域的可扩展性。本研究引入了ADEPT（用于聚合物模拟的自动化分子动力学引擎），用于从化学结构系统生成聚合物性质，并将其与新开发的多任务多保真度机器学习框架（称为PolyGraphMT）集成，用于大规模聚合物性质预测。ADEPT专为高性能计算而设计，能够使用性质特定的分子动力学工作流（包括平衡和非平衡方法）进行大规模并行的高通量性质计算。它将原子尺度分子动力学和密度泛函理论计算与整理的实验数据和基团贡献估计相结合，构建了一个包含约62?000个数据点的异质数据集，涵盖热学、力学、输运、电子、光学和结构领域的28种性质。利用该数据集，研究人员分析了性质间的相关性，评估了任务分组策略，并在考虑数据保真度的条件下量化了多任务学习在不同数据可用性下的优势。PolyGraphMT框架将聚合物重复单元表示为分子图，并采用图神经网络来学习跨多个性质和保真度水平的结构-性质关系。集成的ADEPT-PolyGraphMT框架实现了：1）同步多元性质预测；2）跨异质数据源的保真度感知学习；3）大规模聚合物空间的可扩展筛选。由此产生的模型能够对实验聚合物数据库（约13?000种聚合物）和大型虚拟聚合物库（约100万种聚合物）进行统一的预测和一致的筛选，这是现有碎片化工作流无法实现的。这通过集成性质生成、模型训练和大规模筛选，建立了一个用于数据驱动聚合物发现的可扩展框架。该整体框架将ADEPT模拟引擎与PolyGraphMT学习架构集成在一起。

为开展本研究，研究人员主要采用了几个关键技术方法。首先，构建了ADEPT自动化工作流，该工作流从聚合物重复单元的SMILES表示出发，自动化生成原子模型、进行分子动力学模拟和密度泛函理论计算，以生成热学、力学、输运、电子、光学和结构性质数据。其次，研究人员整合了来自实验、分子动力学模拟、密度泛函理论计算和基团贡献估计的异质数据源，构建了一个包含约62?000个数据点的统一数据集。第三，开发了PolyGraphMT多任务多保真度机器学习框架，该框架使用图神经网络作为共享编码器，将聚合物重复单元表示为分子图，并学习跨多个性质和保真度水平的共享化学表示，同时为每个目标性质配备专用的预测头。

在**ADEPT工作流**部分，研究人员展示了从聚合物SMILES自动化生成性质的过程。聚合物重复单元由包含明确聚合位点的标准化SMILES表示。ADEPT工作流自动化执行聚合物构建、力场分配、分子动力学模拟和性质计算。该框架目前主要关注线性均聚物，未明确表示支化、共聚物序列分布和多分散性等复杂结构。模拟生成的性质与从文献中整理的实验测量数据以及基团贡献理论估计相结合，构建了统一数据集。

在**分子动力学预测的验证**部分，研究人员评估了分子动力学模拟生成的性质与实验数据的一致性。对于热导率（κ），非平衡分子动力学计算显示出与实验数据良好的一致性（R² = 0.75）。对于玻璃化转变温度（T_g），通过温度依赖性密度曲线估算的T_g与实验值吻合良好（R² = 0.72）。对于体积模量（K），分子动力学预测与实验数据合理一致（R² = 0.64）。对于密度（ρ），原始分子动力学预测显示出系统性偏差，但经过线性校准后，与实验数据的相关性显著提高（R²从0.21提升至0.81）。对于比热容（C_p），经典分子动力学由于对振动自由度的经典处理而系统性地高估了C_p值，但原始数据与实验趋势仍保持强单调相关性。介电性质工作流结合了密度泛函理论衍生的电子极化率和经典分子动力学模拟获得的偶极涨落来估算静态介电响应。

在**聚合物性质相关性分析**部分，研究人员通过斯皮尔曼秩相关热图分析了数据集中28种聚合物性质之间的相关性。热图揭示了性质子集内部清晰的强相关行为块，以及较弱的跨性质关联，突出了跨多个目标学习共享表示的潜在好处。电子和介电描述符（如α、E_g、E_HOMO、E_LUMO、μ、n、ε、ε_r和E_total）之间显示出强相关性。力学性质（E、G、K和ν）也表现出内部一致的相关性。热学性质（C_p、T_g、T_m、α_T和κ）显示出更异质的相关性。结构描述符（ρ和R_g）与多种热学、力学性质以及部分电子介电性质之间存在可测量的跨领域相关性。基于这些观察，研究人员采用了两种互补的分组策略进行多任务学习：基于性质领域的物理分组和基于相关性的分组。

在**多任务与多保真度机器学习**部分，研究人员评估了多任务学习相对于单任务模型的性能。结果表明，多任务学习的有效性强烈依赖于性质相关性。当任务分组能够捕捉有意义的统计或物理化学关系时，多任务学习可以降低预测误差，特别是在数据稀疏的情况下。对于电子和介电性质，使用基于相关性的分组（G1和G2）通常能减少误差。对于热学性质，多任务学习提高了C_p的预测准确性，但对T_m和T_g的改善有限或可忽略。对于力学性质，单任务和多任务模型之间的差异相对较小。当训练数据量减少时，多任务模型在数据稀缺情况下表现出更强的鲁棒性，其性能优于单任务模型。多保真度学习策略通过整合低保真度数据（如基团贡献数据）来扩展化学覆盖范围，从而在实验数据有限的情况下改善预测性能。对于C_p，整合基团贡献数据相比仅使用实验数据训练，提高了在实验测试集上的预测性能（R²从0.48提升至0.56）。对于密度（ρ），使用余弦保真度加权获得了最佳性能（R² = 0.78）。对于T_g，由于实验数据集已经足够大，整合低保真度数据带来的额外收益有限。

在**大规模性质预测**部分，研究人员将训练好的模型应用于PolyInfo数据库（约13?000种真实聚合物）和PI1M虚拟聚合物库（约100万种虚拟聚合物）的大规模性质预测。生成了28种聚合物性质的预测，PolyInfo数据库约3.6×10⁵个性质值，PI1M库约2.8×10⁷个性质值。预测的性质范围在物理上合理，并且与实验表征聚合物中观察到的趋势一致。对于PolyInfo数据库，热学性质（如T_m、T_g、κ和C_p）的预测范围与实验报告值一致。力学性质分布相对较窄。电子和光学性质范围更广。结构性质变化有限。对于PI1M数据库，大多数性质的预测中位数与PolyInfo相似，但由于虚拟聚合物集合的化学空间更大更多样，总体性质范围通常更宽。预测的分布图显示，PolyInfo分布呈现单一主峰，而PI1M分布由于样本量更大，呈现出更平滑的轮廓和延伸的尾部。

在**讨论**部分，研究人员总结了研究结论。本研究提出了一个集成聚合物信息学框架，将基于物理的数据生成与数据驱动建模相结合，用于预测聚合物性质。ADEPT工作流能够从重复单元SMILES自动化评估聚合物性质，使用分子动力学和密度泛函理论一致地计算热学、力学、输运、结构和电子描述符。结合实验测量和基团贡献估计，得到了一个包含约62?000个性质值的异质数据集，涵盖多个性质类别和数据保真度水平。利用该数据集，研究人员量化了性质间的相关性，以评估跨目标联合学习的适用性。结果表明，多任务学习的有效性取决于任务相关性，基于相关性的分组比统一的任务聚合能提供更一致的改进。分析进一步表明，多任务学习提高了数据效率，当可用训练数据减少时，单任务和多任务模型之间的性能差异变得更加明显。此外，通过平衡低保真度源的广泛覆盖和实验测量的强监督，保真度感知训练策略在结合实验和计算数据时提高了预测准确性。训练后的模型随后应用于PolyInfo数据库和PI1M虚拟聚合物库的大规模性质预测。所得性质分布在物理上合理，并反映了实验表征聚合物中观察到的趋势，支持该模型用于跨扩展化学空间的系统筛选。总体而言，结果表明，在统一框架内集成模拟衍生数据、实验测量和机器学习，为多元聚合物性质预测提供了一种实用方法。所提出的方法支持对已知和虚拟聚合物的可扩展评估，并为在数据可用性和保真度因性质而异的环境中，进行聚合物筛选和分析提供了一个结构化框架。