将量子化学信息注入分子图，卡内基梅隆大学团队提出ML分子表征新方法

本文介绍了卡内基梅隆大学研究人员提出的一种新型分子表征方法SIMG（stereoelectronics-infused molecular graphs），该方法通过将量子化学信息注入分子图，显著提升了分子性质预测模型的性能。研究背景指出，分子表征是化学和分子机器学习的基础，但现有方法信息稀疏。研究目的是通过立体电子效应增强分子图的表达性和可解释性。研究结果表明，SIMG方法不仅能提高预测准确性，还能将小分子训练的学习表征外推到大分子如蛋白质，为分子设计提供了新途径。然而，该方法目前仅限于中性、闭壳层分子结构，未来需扩展到可变电荷和开壳层分子。结论认为，将量子力学特征融入分子机器学习将增强模型的可解释性，并为研究电子结构与分子性质关系开辟新机遇。