PolymerGNN完整复现：面向聚酯树脂Tg与IV预测的单任务/多任务图神经网络架构

PolymerGNN完整复现：面向聚酯树脂Tg与IV预测的单任务/多任务图神经网络架构

1. 项目背景与架构总览

1.1 PolymerGNN核心思想

PolymerGNN（聚合物图神经网络）是由Queen等人于2023年提出的专用于聚合物性质预测的多任务学习框架。与传统的小分子GNN不同，PolymerGNN将聚合物表示为多个单体分子图的集合，通过GNN编码器提取单体特征，再通过考虑单体比例的注意力池化融合为聚合物级表征，最终输出目标性质。

核心设计差异化：

• 单体集表示：聚酯视为单体单元的集合，而非单一重复单元大图
• 成分感知：显式输入单体摩尔比例，通过加权池化保留组分信息
• 异构建模：支持均聚物/共聚物、线性/支化结构
• 多任务联合：共享表征同时预测Tg（玻璃化转变温度）和IV（特性粘度）

1.2 复现目标与任务定义

本项目完整复现PolymerGNN，技术约束如下：