《Directed Message Passing Neural Networks Enhanced Graph Convolutional Learning for Accurate Polymer Density Prediction》
论文发表于Journal of Chemical Physics期刊

我团队硕士研究生孙沈阳等在李良彬研究员以及昱万程研究员的共同指导下，将机器学习应用到聚合物密度预测领域，通过有向图神经网络实现了精确预测聚合物材料密度。相关工作发表在Journal of Chemical Physics期刊上。

文章提出一种基于图卷积神经网络（GCNN）的机器学习框架，用于准确预测聚合物密度。研究从PoLyInfo数据库中筛选出1432种均聚物数据，系统比较了GCNN与神经网络、随机森林、XGBoost等模型的预测性能。结果表明，结合有向消息传递神经网络（D-MPNN）的GCNN模型表现最优，平均绝对误差（MAE）为0.0497g/cm³，决定系数（R²）达0.8097。实验验证了六种聚合物的预测密度与实测值高度一致，相对误差不超过4.8%。通过SHAP分析和t-SNE可视化，揭示了官能团与密度之间的关系，增强了模型的可解释性。该研究为高通量聚合物筛选提供了高效、准确的计算工具，有助于推动聚合物材料的设计与发现。

该项工作得到了中国国家自然科学基金(No.U2430213)，以及中国科学院(JZHKYPT-2021-04)的支持。

S. Sun, F. Tian, C. Zhao, M. Xie, W. Li, W. Yu, K. Cui, and L. Li, Directed message passing neural networks enhanced graph convolutional learning for accurate polymer density prediction. The Journal of Chemical Physics 163(10),(2025)

论文链接：https://doi.org/10.1063/5.0281450