Les récents progrès du deep learning ont permis des avancées remarquables dans l’accélération de la prédiction des propriétés chimiques quantiques (QC), en éliminant la nécessité de calculs coûteux en structure électronique, tels que la théorie de la fonctionnelle de la densité (DFT). Toutefois, les méthodes précédentes, fondées sur des séquences 1D de SMILES ou des graphes moléculaires 2D, n’ont pas pu atteindre une précision élevée, car les propriétés QC dépendent principalement des conformations d’équilibre en 3D, optimisées par des méthodes de structure électronique, qui diffèrent fortement des données de type séquence ou de type graphe. Dans ce travail, nous proposons une nouvelle approche, nommée Uni-Mol+, pour relever ce défi. Uni-Mol+ génère d’abord une conformation brute d’une molécule en 3D à l’aide de méthodes peu coûteuses, telles que RDKit. Ensuite, cette conformation brute est itérativement ajustée vers sa conformation d’équilibre cible selon la DFT à l’aide de réseaux de neurones, et la conformation apprise est ensuite utilisée pour prédire les propriétés QC. Pour apprendre efficacement ce processus d’ajustement vers la conformation d’équilibre, nous introduisons un modèle principal à deux voies basé sur le Transformer, entraîné conjointement sur la tâche de prédiction des propriétés QC. Nous avons également conçu une nouvelle méthode pour guider le processus d’entraînement du modèle. Nos résultats d’évaluation étendus démontrent que Uni-Mol+ améliore significativement la précision de la prédiction des propriétés QC sur divers jeux de données. Le code et les modèles sont désormais disponibles publiquement à l’adresse suivante : \url{https://github.com/dptech-corp/Uni-Mol}.