Machine learning with physically grounded, interpretable descriptors for polymer property prediction and monomer design

➡️ Физические дескрипторы делают прогнозы свойств полимеров понятнее
Точность модели важна, но для направленного проектирования мономеров необходимо также понимать, какие особенности молекулярной структуры определяют свойства полимера.

Авторы разработали интерпретируемую систему дескрипторов, объединяющую ван-дер-ваальсовы объёмы атомов, число структурных фрагментов, типы химических связей, квантово-химические характеристики и отдельные признаки RDKit. Модели гауссовских процессов обучили на данных PolyInfo о плотности и температурах стеклования, плавления и термического разложения полимеров. Коэффициент детерминации достигал 0,89. Анализ причинных связей показал ведущую роль ван-дер-ваальсовых объёмов, а SHAP-анализ выделил влияние ароматических групп, полярности и гибкости молекул. Подход превосходит стандартные дескрипторы RDKit по интерпретируемости и может применяться для рационального проектирования мономеров. Код и модели опубликованы в виде открытой Python-библиотеки.

💗 #ЦНТИ «Цифровое материаловедение: новые материалы и вещества»
💗 Chemical Engineering Science | Топ 25% по SNIP
💗 doi.org/10.1016/j.ces.2026.123732

📚 Для цитирования:

Averochkin G., Zlobin I., Bespalov I., Alexandrov E. Machine learning with physically grounded, interpretable descriptors for polymer property prediction and monomer design. Chemical Engineering Science 2026:123732. https://doi.org/10.1016/j.ces.2026.123732

#публикация #machine_learning #polymer_informatics #polymer_property_prediction #monomer_design #interpretable_descriptors #quantitative_structure_property_relationships

Научные публикации | Бауманка
Мы в MAX