A Robust and Versatile Generative Model for Inverse Design of Polymers
Notice bibliographique
Résumé
Efficiently designing polymers to meet specific requirements can expedite their translation into practical applications and lower development costs. Although generative inverse design is more efficient than trial-and-error or forward prediction–screening strategies, the imperfect validity of current polymer generative models prevents their seamless integration into scientific discovery workflows. Moreover, their limited controllability—such as the inability to reliably generate polymers with specific functional groups or classes—further constrains their practical utility. In this work, we integrate the robust Group SELFIES method with the state-of-the-art polymer generator PolyTAO to achieve generating 100% chemically valid polymer structures, removing a longstanding bottleneck in polymer design. Compared with previous polymer generation models, this work can generate—on demand—polymers that match specified chemical motifs, polymer classes, and target properties across an effectively unbounded chemical space. We further introduce a task-agnostic, continuous pretraining strategy that combines physics-informed heuristics with reinforcement learning. This approach preserves strong generative performance on user-defined tasks, even in low-data regimes. As a proof of concept, we rigorously validated the dielectric constants of 30 polyimides generated via controlled, on-demand design using first-principles calculations, finding deviations of less than 10% from their target values. Designed as a powerful backend engine for polymer inverse design, our model is deployment-ready, and integrates seamlessly with high-throughput, self-driving laboratories and industrial synthesis pipelines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».