基于多任务学习的可迁移多层级注意力神经网络用于量子化学性质的精准预测

通过机器学习高效预测特定化学性质的模型开发，对推动化学与材料科学的创新具有重要意义。然而，从小型分子数据准确预测大型分子的电子结构性质（如前线分子轨道HOMO和LUMO能级及其HOMO-LUMO能隙）仍面临重大挑战。本文提出一种多层级注意力机制，能够将化学可解释性信息融入多任务学习框架中，实现对QM9数据集高达11万条记录的随机划分评估。该方法在QM9和Alchemy数据集上均展现出优异的泛化能力，可有效预测训练集之外的大型分子性质。基于我们专门设计的可解释性多层级注意力神经网络——DeepMoleNet，实现了包括偶极矩、HOMO能级和吉布斯自由能在内的12项性质的高效且精确预测，其精度达到化学准确度水平。值得注意的是，本研究提出的多任务深度学习模型创新性地将原子中心对称函数（ACSFs）作为预测目标之一，而非传统方式中将其作为输入特征。该多层级注意力神经网络适用于大量化学物种的高通量筛选，可显著加速药物、材料及化学反应的理性设计进程。