用于聚合物属性预测的混合物理 - 机器学习框架

我们凭借一个分层集成机器学习物理模型的流程获得了第 5 名，利用了物理属性之间的关系。

我们在 2025 年 NeurIPS 开放聚合物预测竞赛中获得了第 5 名，采用的方法混合了机器学习和物理洞察。任务是预测五种聚合物属性：玻璃化转变温度 (Tg)、自由体积分数 (FFV)、热导率 (Tc)、密度和回转半径 (Rg)。我们没有依赖一个大型模型，而是逐步构建，使得某些预测可以支持其他预测。

我们从 FFV 和 Tc 开始。这些属性背后有更多的数据，并且与其余属性强关联，所以它们感觉是自然的起点。通过训练模型集成，我们获得了足够稳定的预测结果，可以馈送到后续阶段。这样，我们可以利用聚合物属性相互连接的事实，而不是将每个属性视为孤立存在。

Tg 结果是真正的挑战。它的数据稀疏，普通的 ML 模型往往难以泛化。我们的突破在于将这些 ML 预测与基于物理的模型及其数学表达式相结合。这种组合不仅使 Tg 预测符合物理意义，而且在排行榜上排名更高。如果没有这一步，我们可能不会进入前 5 名。

我们将同样的想法应用于密度和 Rg。来自 FFV 和 Tc 的预测被传递下去，我们调整输出以处理分布偏移并减少偏差。虽然这并没有有助于结果的提升，但它有助于保持稳定性。

我们的特征提取方法也有助于获得高分。除了捕捉化学模式的结构特征外，我们还添加了与聚合物行为相关的分子描述符和指数。经过一些简单的清理和缩放后，这些特征为模型提供了坚实且平衡的聚合物图景。

验证是另一个关键因素。我们使用分组交叉验证来避免泄漏，并依赖折外预测来指导调优。这种设置给了我们值得信赖的反馈，并确保训练期间的改进实际反映在最终分数上。

总而言之，我们的成功源于将物理与 ML 相结合，分层构建预测，并保持严格的验证。这种混合证明足够强大，足以将我们带入竞赛的顶层。