基于高斯过程回归的知识蒸馏框架：用于环氧聚合物物理与力学性质同时预测
音频与语音处理
2026-03-19 v1 人工智能
计算与语言
摘要
环氧聚合物因其多功能性质而广泛应用，但机器学习应用受限于其复杂的3D分子结构、多组分特性以及缺乏精选数据集。现有机器学习研究主要局限于仿真数据、特定性质或狭窄组成范围。为此，我们开发了基于高斯过程回归的知识蒸馏（GPR-KD）框架，用于预测热固性环氧聚合物的多种物理（玻璃化转变温度、密度）和力学性质（弹性模量、抗拉强度、抗压强度、屈曲强度、断裂能、粘结强度）。该模型基于覆盖9种树脂、40种硬化剂的实验文献数据训练。 individual GPR模型作为教师模型，捕捉非线性特征-性质关系，而统一的神经网络学生模型跨所有性质学习蒸馏知识。通过将目标性质编码为输入特征，学生模型利用跨性质相关性。利用RDKit从SMILES表示中提取的分子级描述符创建了物理信息化模型。该框架将GPR的可解释性和鲁棒性与深度学习的可扩展性和泛化能力相结合。比较分析表明，本方法在预测准确率上优于传统机器学习模型。同时多性质预测通过跨相关性质间的信息共享进一步提高准确度。该框架 enables 设计具有定制性质的新型环氧聚合物加速。
引用
@article{arxiv.2603.16924,
title = {SimulU: Training-free Policy for Long-form Simultaneous Speech-to-Speech Translation},
author = {Amirbek Djanibekov and Luisa Bentivogli and Matteo Negri and Sara Papi},
journal= {arXiv preprint arXiv:2603.16924},
year = {2026}
}