Prever a conformação de solução e agregação de polímeros conjugados continua sendo um gargalo para traduzir o processamento em solução em microestruturas de filme controladas e para fechar o ciclo em laboratórios autônomos. Construímos um conjunto de dados limpo e legível por máquina com 256 entradas que relaciona o comprimento da cadeia de polímero, compatibilidade polímero-solvente, formulação e histórico da amostra ao raio de giração, Rg. Avaliamos representações moleculares e algoritmos de ML comuns sob regimes independentes e identicamente distribuídos (IID) e fora da distribuição (OOD), incluindo validação cruzada do tipo leave-one-polymer-out e divisões da interação polímero-solvente. Sob IID, modelos que combinam tamanho, química, formulação e histórico alcançam forte precisão (RMSE ≈ 0,18; R2 ≈ 0,90), enquanto modelos apenas estruturais acrescentam pouco além do comprimento da cadeia do polímero. A generalização é o limite central: erros OOD aumentam drasticamente para polímeros com cadeias laterais polares e formulações com discrepâncias significativas nos descritores de Hansen, e a simples mudança na distribuição global não explica a falha — a alinhar dentro de subespaços de características-chave importa. A incerteza do modelo é razoavelmente calibrada no geral, mas degrada sob forte mudança de distribuição, limitando a seleção confiável de experimentos sem dados direcionados. Identificamos ações concretas para melhorar a robustez para futuros aprendizados de máquina: relatórios padronizados e legíveis por máquina do histórico de processamento (tempos, temperaturas e estímulos) e amostragem mais deliberada do espaço químico. Juntos, esses resultados destacam o design do conjunto de dados, a generalização robusta e a modelagem consciente da incerteza como as fundações para acelerar a descoberta e o controle de assembléias de polímeros conjugados, capacidades que permitem diretamente a experimentação autônoma e orientada por dados neste campo.
Dehghan-Toranposhti et al. (Wed,) estudaram esta questão.