摘要

预测分子性质（例如原子化能）是量子化学中的一个重要问题，可以加速药物设计和物质发现等研究进展。基于物理密度泛函理论（DFT）的传统研究方法在预测大量分子时被证明是耗时的。近年来，考虑了大量规则信息的机器学习方法也显示出了解决这一问题的潜力。然而，现有解决方案对分子内部复杂的固有量子相互作用仍探索不足。本文提出了一种可推广且可迁移的多层级图卷积神经网络（MGCN），用于分子性质预测。具体而言，我们将每个分子表示为一个图，以保留其内部结构。此外，精心设计的层次图神经网络直接从构象和空间信息中提取特征，并通过多层级相互作用进行处理。因此，这些多层次的整体表示可以用于进行预测。在平衡态和非平衡态分子数据集上的广泛实验表明了我们模型的有效性。进一步的详细结果还证明了MGCN在预测任务中的可推广性和可迁移性。