Npj Comput. Mater.: 晶体与分子性质的高效准确预测：新型通用图神经网络

本文探讨了图神经网络（GNN）在材料科学中的应用，特别是如何通过GNN准确预测晶体和分子的性质。文章首先介绍了GNN设计中的五个关键信息点：元素信息、几何拓扑信息、电子相互作用信息、对称性信息和远程相互作用信息。随后，详细描述了上海交通大学研究团队提出的DenseGNN模型，该模型通过Local Structure Order Parameters Embedding (LOPE)策略和Dense Connectivity Network (DCN)设计，优化了原子嵌入表示和电子相互作用的捕捉。DenseGNN还实现了E(3)-等变图网络设计，以适应晶体结构的对称性变化，并通过层次节点-边-图残差网络（HRN）捕捉远程相互作用。文章最后展示了DenseGNN在MatBench和JARVIS-DFT数据集上的测试结果，证明了其在材料性质预测上的有效性。