Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: Общественные науки: исследования и практики: Стратегии развития общества и экономики в новой реальности; Ростов-на-Дону; Ростов-на-Дону
Год издания: 2025
Ключевые слова: polymers, transformer, gradient boosting, regression, полимеры, chemberta, smiles, трансформер, градиентный бустинг, регрессия
Аннотация: В работе рассматриваются подходы к предсказанию физических и механических свойств полимеров. Исходный массив данных сформирован из базы PolyInfo; для моделирования использованы эмбеддинги ChemBERTa, ансамбль CatBoost, глубокая нейронная сеть и трансформерная модель TransPolymer. Оценка проведена по метрике R² для десяти наиболее заПоказать полностьюполненных свойств. Трансформер показал наилучшие результаты по 6 признакам из 10 (например, температура стеклования R² = 0,897; температура плавления R² = 0,751). Полученные результаты подтверждают целесообразность применения трансформерных архитектур для анализа полимеров при ограниченных данных. The study addresses prediction of physical and mechanical properties of polymers. Data were taken from PolyInfo. We employed ChemBERTa embeddings together with CatBoost, a deep neural network, and the transformer-based TransPolymer model. Using R² as the evaluation metric on ten best-populated properties, the transformer achieved the highest scores in 6/10 targets (e.g., glass transition temperature R² = 0.897; melting temperature R² = 0.751). The results support transformer architectures as a promising approach for polymer property prediction in data-scarce settings.
Журнал: Общественные науки: исследования и практики: Стратегии развития общества и экономики в новой реальности
Номера страниц: 138-141
Место издания: Ростов-на-Дону