随机划分在聚合物玻璃化转变预测中衡量什么:化学留出、适用域与先验整合

发布时间:2026-10-07 | 来源:MDPI Polymers | 作者:Deao Han, Yangkun Shao, Zhong Xueru, Song Zhanzhao, Quanzhong Zhang, Chuansheng Wang, Deshang Han, L

预测玻璃化转变温度(Tg)有助于为使用温度窗口选择聚合物,但在熟悉结构上获得的准确性可能无法迁移到新的聚合物家族。我们在7367个经过整理的同聚物上比较了验证方案。直方图梯度提升在随机交叉验证下给出R2 = 0.899和平均绝对误差(MAE)= 23.9 K,在骨架留出下为0.857和28.5 K,在策展人类别留出下类

预测玻璃化转变温度(Tg)有助于为使用温度窗口选择聚合物,但在熟悉结构上获得的准确性可能无法迁移到新的聚合物家族。我们在7367个经过整理的同聚物上比较了验证方案。直方图梯度提升在随机交叉验证下给出R2 = 0.899和平均绝对误差(MAE)= 23.9 K,在骨架留出下为0.857和28.5 K,在策展人类别留出下类别宏平均为0.355和43.3 K,在高Tg外推下为−3.79和79.5 K。在前三种设置中,相似性仅解释协议内绝对误差方差的6–11%。一个单独的密度泛函理论(DFT)带隙数据集显示,在所测试的基线上存在中等的指纹簇留出惩罚和较差的性能范围外推。随机森林分裂共形经验覆盖率从随机拆分下的0.899下降到类别和性能留出下的0.683和0.214;所测试的前瞻性相似性门控提供的保护很少。在平方损失惩罚中,折拟合的基团贡献先验对均匀加性偏差比作为神经网络输入更敏感,但这种比较依赖于架构。类别留出区间和检验是描述性的或名义上的,因为训练集存在重叠。279个多重报道的聚合物仅支持来源间变异性分析。验证应与预期的聚合物家族和性能范围相匹配。

返回资讯频道