PolyGraphPy: A unified Python framework for atomistic simulation and machine learning-driven polymer design

João Duarte

doi:10.1016/j.commatsci.2026.114985

PolyGraphPy: A unified Python framework for atomistic simulation and machine learning-driven polymer design

2026-09-01

0

PRE

AI

dos Santos, Ketson R. M. *

DOI：10.1016/j.commatsci.2026.114985

原文链接

原文求助

摘要

En 中文

聚合物是不可或缺的材料，其日常应用范围从电子学到医学，这归因于其多功能性，可以通过调整其化学成分和结构进行定制。这些化合物的设计空间广阔，受单体类别、共聚物构型（如线性、支化、无规和交替）、链尺寸、化学计量比和材料性质（如密度、折射率、溶解度和泊松比）等因素支配。因此，其探索需要高效的聚合物科学计算方法。为应对这一挑战，本文介绍了PolyGraphPy，一个开源的统一Python框架，它将原子模拟与机器学习相结合，用于准确预测性质和性质引导的聚合物设计。该框架使用密度泛函紧束缚（DFTB+）自动化量子力学计算，以高效构建单体、均聚物和交替共聚物的结构化数据集。对于性质预测，PolyGraphPy采用贝叶斯图神经网络（GNNs），利用随机图表示来预测目标性质（如静态极化率），同时提供稳健的不确定性量化。此外，该平台集成了两种互补的生成模型，用于靶向分子的从头设计：基于SELFIES的生成预训练变换器（GPT）和基于BRICS图碎裂的遗传算法（GA）。在丙烯酸酯数据集上的演示表明，PolyGraphPy提供了一个高度可定制的端到端管道，降低了计算成本并加速了数据驱动的聚合物信息学。

Keyword:

Graph neural networks

Polymer design

DFTB

LLM

Genetic algorithm

PolyGraphPy: A unified Python framework for atomistic simulation and machine learning-driven polymer design

摘要

期刊

机构

引用论文