基于级联分子表征深度学习框架预测玻璃体自愈效率

《Digital Discovery》：A Machine Learning Framework with Cascade Molecular Representation for Predicting Self-Healing Efficiency in VitrimersOpen Access

　　

玻璃体是一类新兴的聚合物材料，兼具热固性塑料的结构稳定性和热塑性塑料的可加工性与自愈能力。尽管前景广阔，但由于设计空间庞大且缺乏预测模型，要准确预测不同玻璃体化学体系及加工条件下的自愈效率仍具挑战性。本文开发了一种基于深度学习的框架，通过整合文献中报道的材料化学组成、合成参数、热性能及操作条件来预测玻璃体的自愈效率。本研究的关键贡献在于提出了一种级联分子表征策略，能够为缺乏明确SMILES标注且通过多组分路径合成的聚合物材料生成描述符。该策略采用递归方法，从原料化学物质中解析缺失的SMILES定义，从而为复杂聚合物体系生成化学上一致的描述符。训练后的神经网络捕捉了材料组成、热性能与愈合条件之间的非线性关系。通过独立文献基准验证及DGEBA/2-AFD玻璃体的实验合成，证实了该框架具有强大的预测性能，在不同玻璃体体系中的平均绝对误差低于1%。这些结果表明，所提出框架稳健且实用，可加速以数据驱动的自愈聚合物材料设计。

此内容仅可通过PDF获取。

打开 PDF 在另一个窗口中打开题为《用于预测玻璃体自愈效率的级联分子表征机器学习框架》的PDF

? 2026 作者。由皇家化学会出版

2026

作者

本文依据 知识共享署名-非商业性使用 4.0 国际许可协议 授权。您可以在其他出版物中使用本文材料，无需向RSC另行申请许可，前提是须正确署名且不得用于商业目的。

本作品依据 知识共享署名-非商业性使用 4.0 国际许可协议 授权。