ACS专刊热文:当AI学会“看懂”聚合物 —— PolyCLIP开启多模态预测新范式

近年来，人工智能正在快速改变聚合物研究范式。从早期依赖人工设计描述符的机器学习模型，到基于PSMILES的PolyBERT、TransPolymer等语言模型，再到图神经网络（GNN）和大语言模型（LLM）驱动的聚合物信息学，研究人员一直在探索如何更准确地建立“结构-性能关系”。然而，现有大多数模型都依赖单一分子表示形式。例如：

• 语言模型主要使用PSMILES字符串；

• 图神经网络主要使用分子拓扑图；

• 部分多模态模型则需要庞大的预训练数据和复杂架构。

一个问题随之而来：

同一种聚合物既可以表示为PSMILES文本，也可以表示为二维化学结构图。能否让人工智能同时利用这两种信息，从而更全面地理解聚合物结构？

近日发表于 Polymer Science & Technology 的研究论文PolyCLIP: A CLIP-Based Multimodal Framework for Polymer Property Prediction给出了一个有趣的答案。作者借鉴自然语言处理与计算机视觉领域广泛使用的CLIP模型，构建了一种面向聚合物的新型多模态预测框架PolyCLIP。

从“读懂文字”到“看懂结构”：CLIP如何进入聚合物世界？

CLIP（Contrastive Language–Image Pretraining）最初由OpenAI提出，其核心思想是让模型同时学习图片和文字，并将二者映射到统一的表示空间。在PolyCLIP中，研究人员将：PSMILES视为“语言”，RDKit生成的二维聚合物结构图视为“图像”。同时输入CLIP模型，模型分别通过文本编码器和图像编码器提取特征，然后将两种信息融合，用于预测聚合物性质。整个框架如图所示：

图1. PolyCLIP architecture. The preprocessing module converts raw PSMILES and their RDKit-generated 2D structure depictions into standardized text and image inputs. The CLIP text encoder (BPE tokenizer + Text Transformer) and CLIP image encoder (ViT-B/32) extract corresponding 512-dimensional unimodal embeddings. These features are fused by concatenation to form a 1024-dimensional multimodal vector, which is fed into a regression MLP to produce a single scalar property value.

与许多需要重新训练大型模型的方法不同，PolyCLIP直接利用已经预训练完成的CLIP模型，仅对部分参数进行轻量化微调即可完成聚合物预测任务。

作者认为，这种方法能够充分利用基础模型已经学习到的跨模态表示能力，从而在有限数据条件下实现高效建模。结果显示，多模态模型整体优于多种单模态基线，并具有良好稳定性。

打开AI的“黑箱”

作者利用t-SNE对模型学习到的表示空间进行了可视化分析。结果发现，性能相近的聚合物会自然聚集在表示空间中的相邻区域，形成具有明显规律性的分布结构。作者指出，这意味着模型在真正进行性能预测之前，就已经能够将具有相似电子结构特征的聚合物组织到相近区域，初步建立起具有物理意义的结构表示。

图2. t-SNE visualization of fused multimodal CLIP embeddings for four polymer electronic properties: (a) atomization energy (Eat, eV), (b) electron affinity (Eea, eV), (c) ionization energy (Ei, eV), and (d) chain bandgap (Egc, eV). Points are colored according to ground-truth values (in eV). The coherent clustering and approximately linear color gradients across all panels indicate that the multimodal encoder organizes polymers according to physicochemical similarity prior to downstream regression.

研究团队通过SHAP与视觉注意力分析，发现模型会针对不同性质关注不同化学基团，而且文本与图像两种模态给出的解释高度一致，体现出具有化学意义的结构—性能关系。例如：对于电子亲和能（Electron Affinity），模型重点关注含硫羰基（C=S）结构；对于电离能（Ionization Energy），模型则主要关注含氟取代基；对于原子化能（Atomization Energy），氮氧桥结构获得较高关注度。结果证明，模型不仅获得了较高预测精度，而且在不同模态之间形成了化学意义一致的认知。

作者在展望中指出，未来研究还将进一步引入：三维结构信息，图神经网络表示，实验表征数据，更多材料表征模态。推动聚合物AI从二维结构预测迈向更加完整的科学发现平台。

本文作为Polymer Science & Technology 特刊AI for Polymer Science and Technology的一部分发表。相关特刊征稿仍在开放中，欢迎关注投稿。