面向聚合物性质预测的分子的系综图表示

合成聚合物是一种用途广泛且被广泛使用的材料。与小型有机分子类似，此类材料庞大的化学空间在理论上是可触及的。计算性质预测与虚拟筛选能够通过优先筛选预期具有优良性质的候选材料来加速聚合物设计。然而，与有机分子不同，聚合物往往不是定义良好的单一结构，而是相似分子的系综，这给传统的化学表示与机器学习方法带来了独特挑战。在此，我们提出了一种分子的系综图表示以及一种专为聚合物性质预测定制的图神经网络架构。我们证明该方法能够捕捉聚合材料的关键特征，如链架构、单体化学计量比与聚合度，并且相比现成的化学信息学方法取得了更优的精度。在此过程中，我们构建了一个包含超过 4 万种具有不同单体组成、化学计量比与链架构的聚合物的模拟电子亲和势与电离势能值的数据集，该数据集可用于开发其他定制机器学习方法。本工作所提出的数据集与机器学习模型为聚合物信息学的新一类算法铺平了道路，并更广泛地引入了用于分子系综建模的框架。