本文利用晶体图神经网络（CGNN）预测水晶的属性，通过对原子、结合和整体状态特征的编码，在 DFT 的级别上实现预测的正确性，从而在合金探索中找到有前途的路径。

Jun, 2023

本研究提出了一种多模态框架，该框架将结构数据和文本描述结合起来进行分析，以更好地对材料进行建模并预测其性质。

Jun, 2023

利用数据驱动技术的材料设计过程中，我们开发了一种融合经典和量子计算的混合模型来预测钙钛矿材料的能量形成。该模型的性能与经典模型和其他机器学习算法相媲美，为探索量子特征编码和参数化量子电路在图神经网络等复杂机器学习算法中的巨大改进提供了一种新途径。

May, 2024

本研究介绍了一种新型的 Geometric Message Passing Neural Network（GemNet）结构，采用了定向边嵌入和双跳消息传递，展现出图神经网络在预测分子动力学方面的强大效果和广阔前景。

Jun, 2021

本论文提出利用晶体图卷积神经网络 (CGCNN) 可直接从晶体原子之间的联系学习材料物性，有效提高了晶体材料设计的效率，并能够提取局部化学环境对全局物性的贡献，为晶体材料的设计提供了经验规则。

Oct, 2017

该研究提出了一种基于 MolNet 的图神经网络（GNN）模型来获取三维分子的物理化学特性及其非化学键信息，同时该模型在 BACE 和 ESOL 数据集的分类和回归任务上皆表现出良好的性能。

Feb, 2022

本文中，研究者探究了基于超网络的替代方法，发现在各种基准测试中具有最先进的成果，尤其在学习基于分子的属性预测和分类方面表现突出，并且解决了超网络的稳定性问题。

Feb, 2020

利用图神经网络模型原子图结构，并研究结构与相应的局部能垒之间的关系，以改善金属玻璃材料物理性质的预测，并应用图解释算法揭示金属玻璃材料的结构 - 性质关系。

Dec, 2023

通过引入分子超图和分子超图神经网络（MHNN），本研究针对化学有关任务中传统图模型无法足够表示高阶连接（如多中心键和共轭结构）的问题，提出了一种可以预测有机半导体的光电性质的 MHNN 算法，其中超边表示共轭结构。结果表明，MHNN 在 OPV、OCELOTv1 和 PCQM4Mv2 数据集的大多数任务中优于所有基准模型。值得注意的是，MHNN 在没有任何三维几何信息的情况下，超过了利用原子位置的基准模型。此外，在训练数据有限的情况下，MHNN 表现出更好的性能比预训练 GNNs，彰显其出色的数据效率。本研究为更一般的分子表示和高阶连接相关的属性预测任务提供了新的策略。

Dec, 2023

本文提出了一种名为 “异构分子图神经网络” 的方法，通过建立多种类型的节点和边来构建分子的异构分子图，并考虑到三个或更多原子之间的相互作用，结合神经信息传递机制进行对比化学性质预测，该方法在 QM9 数据集中的 12 个任务中有 9 个达到最优表现。

Sep, 2020