综述：用于机器学习的分子与聚合物表示方法 开放获取

《Digital Discovery》：Molecular and Polymer Representations for Machine LearningOpen Access

　　

AI驱动的材料发现的成功最终取决于我们如何表示分子结构。基于专家定义描述符、指纹和符号表示法的传统方法已在性质预测和分子设计方面取得了进展。然而，这些方法在跨结构复杂的化学系统进行泛化时往往表现不佳。当结构层次和随机性未被明确编码，或数据集无法访问这些高阶特征时，这一问题尤为突出。图神经网络和大语言模型为表示学习提供了新途径，使分子和聚合物表示能够直接从结构输入中学习。这些机器学习嵌入有望实现更具表达力、可扩展性和可迁移性的表示，可能彻底改变聚合物信息学材料发现。在本综述中，我们回顾了分子表示从传统描述符到现代基于嵌入方法的演进，考察了这些方法如何应用于小分子并为聚合物系统进行适配，并分析了聚合物系统中随机性、结构层次和数据有限性带来的挑战。我们认为，未来的进步不仅取决于模型架构的改进，还取决于更好策展的数据集和共享基准的开发，尤其是对于聚合物而言，其随机性和结构层次使表示和评估都变得复杂。因此，推进化学中的表示学习需要有意识地将领域知识、物理约束和数据驱动方法结合起来，以实现先进材料稳健且可解释的发现。

此内容仅通过PDF提供。

打开 PDF 在新窗口中打开《用于机器学习的分子和聚合物表示》的PDF

? 2026 作者。由英国皇家化学会出版

2026

作者

本文采用知识共享署名-非商业性使用4.0国际许可协议许可。您可以在其他出版物中使用本文材料，无需向英国皇家化学会申请额外许可，前提是正确注明出处且不用于商业目的。

本文采用知识共享署名-非商业性使用4.0国际许可协议许可。