基于化学信息的机器学习方法用于预测自由度共聚合物的活性比
化学物理
2025-12-24 v1 机器学习
摘要
预测单体活性比是控制共聚物单体序列分布及其性质的关键。传统实验方法耗时且资源密集，现有计算方法在准确性或可扩展性方面常常不足。本文提出一种结合无监督学习与人工神经网络的方法，用于预测自由度共聚合物的活性比。通过对单体的物理化学特征应用谱聚类，识别出三个具有不同活性模式的单体组别。该计算效率高的聚类方法揭示了特定单体组别间相互作用导致的不同序列排列方式，包括交替型、随机型、块状型和渐变型共聚物，为初始探索提供了化学洞见。基于这些洞见，我们训练人工神经网络以实现活性比的定量预测。我们探索了两种集成策略，包括直接特征拼接和聚类特定训练，后者在针对特定化学领域的训练样本量相同的情况下显示出性能提升。然而，利用完整数据集构建的模型在样本量集中于子集的专业化模型中表现更好，揭示了化学特异性与数据可得性之间的根本性权衡。本工作表明，无监督学习可为探索性分析提供快速的化学洞见，而监督学习则提供实现最终设计预测所必需的准确性，具体的最优策略取决于数据可得性和应用需求。
引用
@article{arxiv.2512.19715,
title = {Chemically-Informed Machine Learning Approach for Prediction of Reactivity Ratios in Radical Copolymerization},
author = {Habibollah Safari and Mona Bavarian},
journal= {arXiv preprint arXiv:2512.19715},
year = {2025}
}