基于分子指纹与量子化学描述符预测聚酰亚胺玻璃化转变温度的机器学习模型

摘要

基于聚酰亚胺重复单元获得了分子访问系统（MACCS）指纹图谱和9种量子化学密度泛函理论（DFT）描述符，构建了MACCS,DFT和两者集成的3类预测模型.通过比较分析随机森林（RF）、支持向量回归（SVR）、极致梯度提升（XGB）和梯度提升回归（GBR）等4种机器学习算法共12个机器学习模型来预测聚酰亚胺的玻璃化转变温度，并提取关键特征信息.结果表明，最优的玻璃化转变温度预测模型是XGB集成模型，其训练集和测试集的决定系数（R²）分别为0.956和0.811，测试集的均方根误差（RMSE）和平均绝对误差（MAE）分别为25.41和20.20.此外，集成MACCS指纹和DFT的模型均比单一模型的效果好.建立的集成模型框架可为聚酰亚胺材料及聚合物材料结构的设计提供参考.

关键词

机器学习 / 量子化学 / 分子指纹 / 聚酰亚胺