Macromolecular Rapid CommunicationsVolume 45, Issue 15 2470030 Cover PictureFree Access High Glass Transition Temperature Fluorinated Polymers Based on Transfer Learning with Small Experimental Data Jin-Hoon Yang, Jin-Hoon YangSearch for more papers by this authorJiyoung Lee, Jiyoung LeeSearch for more papers by this authorHajin Kwon, Hajin KwonSearch for more papers by this authorEun-Ho Sohn, Eun-Ho SohnSearch for more papers by this authorHyunju Chang, Hyunju ChangSearch for more papers by this authorSeunghun Jang, Seunghun JangSearch for more papers by this author Jin-Hoon Yang, Jin-Hoon YangSearch for more papers by this authorJiyoung Lee, Jiyoung LeeSearch for more papers by this authorHajin Kwon, Hajin KwonSearch for more papers by this authorEun-Ho Sohn, Eun-Ho SohnSearch for more papers by this authorHyunju Chang, Hyunju ChangSearch for more papers by this authorSeunghun Jang, Seunghun JangSearch for more papers by this author First published: 07 August 2024 https://doi.org/10.1002/marc.202470030AboutPDF ToolsRequest permissionExport citationAdd to favoritesTrack citation ShareShare Give accessShare full text accessShare full-text accessPlease review our Terms and Conditions of Use and check box below to share full-text version of article.I have read and accept the Wiley Online Library Terms and Conditions of UseShareable LinkUse the link below to share a full-text version of this article with your friends and colleagues. Learn more.Copy URL Share a linkShare onEmailFacebookTwitterLinkedInRedditWechat Graphical Abstract Front Cover: In article 2400161, Seunghun Jang and co-workers use a large computational dataset of organic molecules to build an artificial intelligence (AI) model that accurately predicts polymer properties using a small experimental polymer dataset. The transfer learning process in which a small experimental polymer dataset is passed through a large computational dataset of organic molecules to construct an accurate AI prediction model is represented. This suggests that a precise polymer property prediction model through transfer learning, even with a small amount of experimental data is implemented. Volume45, Issue15August 20242470030 RelatedInformation

Abstract Machine learning can be used to predict the properties of polymers and explore vast chemical spaces. However, the limited number of available experimental datasets hinders the enhancement of the predictive performance of a model. This study proposes a machine learning approach that leverages transfer learning and ensemble modeling to efficiently predict the glass transition temperature ( T g ) of fluorinated polymers and guide the design of high T g copolymers. Initially, the quantum machine 9 (QM9) dataset is employed for model pretraining, thus providing robust molecular representations for the subsequent fine‐tuning of a specialized copolymer dataset. Ensemble modeling is used to further enhance prediction robustness and reliability, effectively addressing the problems owing to the limited and unevenly distributed nature of the copolymer dataset. Finally, a fine‐tuned ensemble model is used to navigate a vast chemical space comprising 61 monomers and identify promising candidates for high T g fluorinated polymers. The model predicts 247 entries capable of achieving a T g over 390 K, of which 14 are experimentally validated. This study demonstrates the potential of machine learning in material design and discovery, highlighting the effectiveness of transfer learning and ensemble modeling strategies for overcoming the challenges posed by small datasets in complex copolymer systems.