基于周期 Vietoris-Rips 复合物的拓扑深度学习用于聚合物设计与发现
机器学习
2026-05-27 v1 人工智能
摘要
聚合物在能源、健康护理和材料科学等领域发挥着关键作用，但其庞大的化学空间使得系统性发现仍具挑战。大多数机器学习方法将聚合物表示为单个重复单元的分子图，从而无法捕捉聚合物链的周期性以及超越成对键的多体相互作用。我们引入 Periodic-TDL，这是一种基于周期 Vietoris-Rips 复合物构建的深度学习框架，用于捕捉跨多个空间尺度的多体相互作用，随后通过层次化单纯形消息传递 (HSMP) 编码器将信息从远距离相互作用传递到共价键，从而获得受高阶拓扑特征丰富化的表示。Periodic-TDL 在涵盖电子、光学、物理和热力学目标的聚合物性质预测任务中超越了所有最先进的模型。此外，我们定量验证了酯-酰胺取代和α-甲基化对热稳定性的提升作用。基于 48,208 个由 acrylate 和 acrylamide 聚合物系统性取代生成的计算合成数据集，我们观察到酯-酰胺取代导致的 Tg 平均提升约为 55℃，主链α-甲基化导致的提升约为 14℃。为验证这些预测趋势，我们使用 Periodic-TDL 模型分析了六对新型聚合物（包括三对此前未在文献中报道的聚合物），实验数据成功确认了模型的预测。最终，这些发现表明 Periodic-TDL 捕捉到特定功能基团修饰所产生的物理效应，而不仅仅是对基准数据集进行预测性能优化。
引用
@article{arxiv.2605.26833,
title = {Periodic Topological Deep Learning for Polymer Design and Discovery},
author = {Yasharth Yadav and Tze Kwang Gerald Er and Atsushi Goto and Kelin Xia},
journal= {arXiv preprint arXiv:2605.26833},
year = {2026}
}
备注
19 pages, 3 figures, 3 tables