تتمحور العديد من المهام الهامة في الكيمياء حول الجزيئات أثناء التفاعلات. وهذا يتطلب تنبؤات بعيدة عن الحالة المتوازنة، في حين ركّزت معظم الدراسات الحديثة في التعلم الآلي للجزيئات على الحالات المتوازنة أو القريبة من المتوازنة. في هذا البحث، نهدف إلى توسيع نطاق هذا المجال بثلاث طرق. أولاً، نقترح نموذج DimeNet++، الذي يُعدّ أسرع بثمانية أضعاف وأكثر دقة بنسبة 10٪ من النموذج الأصلي DimeNet على معيار QM9 الخاص بالجزيئات في حالة توازن. ثانيًا، نختبر نموذج DimeNet++ على جزيئات ذات نشاط كيميائي عالٍ من خلال تطوير مجموعة بيانات صعبة تُدعى COLL، التي تحتوي على تكوينات مشوهة لجزيئات صغيرة أثناء التصادمات. ثالثًا، نستكشف تقنيات تجميع النماذج (ensembling) وتقدير المتوسط والانحراف المعياري لتقدير عدم اليقين، بهدف تسريع استكشاف الفضاء الواسع للهياكل غير المتوازنة. يتوفر نموذج DimeNet++ المُطبّق لدينا، إلى جانب مجموعة بيانات COLL، عبر الإنترنت.