包括体积分数和链结构的共聚物逆向设计

创新合成聚合物的需求日益增长，但其结构复杂性和广泛的设计空间阻碍了快速发现。机器学习导向的分子设计是加速聚合物发现的有前景的方法。然而，标注聚合物数据的稀缺性和合成聚合物的复杂层次结构使得生成式设计尤其具有挑战性。我们进步于当前的无国界方法，不仅生成重复单元，还生成单体集合包括其体积分数和链结构。我们基于最近的聚合物表示方法，其中包括单体集合的体积分数和链结构，开发了一种新型变分自编码器（VAE）架构进行图编码和字符串解码。使用半监督设置，我们能够处理部分标记的数据集，这在标注数据有限的领域可能有益。我们的模型学习了连续且组织良好的潜在空间（LS），可用于生成包括不同单体体积分数和链结构的共聚物结构。在逆向设计案例研究中，我们展示了该模型用于发现新型共轭共聚物光催化剂，通过在潜在空间中优化聚合物的电子亲和力和电离能来实现。