机器学习辅助高分子材料设计 高分子材料因其高强度、质轻、耐高温、耐腐蚀、绝缘等优秀性质，被广泛 应用于建筑、电子信息、航天航空、国防和新能源等领域，其发展对于推动社会进步具有重要意义。 然而，一些关键材料的发现往往依赖偶然性，或是通过劳动密集型的试错方式实现。 例如，19世纪，人们发现将硫等添加剂与天然橡胶混合并加热，可以显著提高橡胶的耐久性，从而发展出硫化橡胶.这种依赖偶然发现和经验积累的方法，不仅耗费大量人力物力，还缺乏对体系及分子结构的系统分析和表征。 在过去一个世纪里，高分子材料因其广泛的应用价值，已成为日常生活和先 进制造业的重要支柱，其生产规模甚至超过了钢铁工业，聚合物的性质可以通 过调控其化学结构和形态实现，并具有几乎无限的设计潜力。 然而，现有的研究和开发方法通常耗时且成本高昂，亟需一种高效的新方法。 在新兴的聚合物信息学领域，结合大数据和机器学习算法的计算工具为高分 子材料的设计提供了强大的支持。这种基于机器学习的设计方法能够有效应对广阔化学空间内的性能优化挑战。 本文将综述机器学习辅助高分子材料设计的最新进展，重点探讨复杂聚合物多尺度结构中的结构表征、性能预测和结构设计问题。 此外，还将分析这一方法面临的挑战，并展望聚合物信息学领域的未来发展方向。 将高分子聚合物结构数字化并构建聚合物数据库是机器学习预测模型开发的第一步。 通过特征工程，数字化的结构表示可作为模型训练的输入。需要强调的是，在数据库构建过程中，必须同时提升数据的质量和数量，以确保模型的预测准确性和泛化能力。 在上个世纪，人们合成了大量的高分子材料，并对其相应的性质进行了研究，产生了大量的结构－性质数据。 迄今为止，已经建立了几个数据库来汇编现有的聚合物数据。图中列举了几个主要关注高分子聚合物结构属性数据的数据库。
