混合向量模型用于通过混合整数线性规划推断共聚合物

最近开发的一种新型两阶段分子推断框架 mol-infer 能够通过混合整数线性规划 (MILP) 在给定学习预测函数和结构约束条件下，推断具有预期抽象结构和理想属性值的化学图谱。本研究通过引入一种简单特征表示——混合向量 (MV) 模型，将该框架扩展到共聚合物。在提出的模型中，共聚合物特征向量表示为由 MILP 可处理的单体描述符按组成单体比例加权的凸组合。该表示无需显式序列-类信息，因而自然适用于 MILP 基于逆设计。在此模型下，我们使用人工神经网络、简化二次多重线性回归和随机森林构建若干共聚合物性质数据集的预测函数。该表示在多个物理化学性质数据集上实现了实际可用且优异的预测性能；具体而言，最佳测试 R² 分数对九个数据集超过 0.7，对六个数据集超过 0.9。我们还在给定混合比例下构建多单体逆设计问题的 MV 表示下的 MILP 实例，即使在三单体设置下仍可实现可计算性。最后，我们通过对推断候选进行外部一致性检查，重新计算其属性值并与由学习模型预测的属性值进行比较。总体而言，本研究框架为在两层模型下实现共聚合物的模型级精确逆设计奠定了可行的第一步。