Npj Comput. Mater.: 多模态信息融合：让高分子表示更全面

本文针对高分子材料性能预测中传统方法周期长、成本高以及深度学习模型受限于单一表示方式的问题，提出了一种创新的多模态、多域高分子表示与预测框架Uni-Poly。该框架系统融合了SMILES、2D分子图、3D几何构型和分子指纹四种结构模态，并首次引入基于大型语言模型生成的文本信息作为第五模态，将领域知识纳入模型。在多项关键性能预测任务中，Uni-Poly显著优于现有方法，例如在熔点预测中R²值提升5.1%。可解释性分析显示不同模态具有互补优势，文本信息对电子电阻率预测关键，3D结构对熔点重要。尽管取得突破，作者指出在误差控制和多尺度建模等方面仍有改进空间，未来计划引入更细粒度信息以推动实际应用。这项研究重构了材料表示范式，为高分子材料的智能预测和设计开辟了新路径。