Le développement de modèles efficaces pour prédire des propriétés spécifiques à l’aide de l’apprentissage automatique revêt une importance capitale pour l’innovation en chimie et en science des matériaux. Toutefois, la prédiction des propriétés liées à la structure électronique, telles que les niveaux d’énergie des orbitales moléculaires frontières HOMO et LUMO ainsi que l’écart HOMO-LUMO, à partir de données sur de petites molécules vers des molécules plus grandes, demeure un défi majeur. Dans cette étude, nous proposons une stratégie d’attention multi-niveaux qui permet d’intégrer des insights chimiquement interprétables dans un apprentissage multi-tâches sur jusqu’à 110 000 enregistrements de données du jeu de données QM9, évalué par un découpage aléatoire. Une bonne transférabilité pour la prédiction de molécules plus grandes en dehors de l’ensemble d’entraînement est démontrée sur les jeux de données QM9 et Alchemy. Grâce à notre réseau neuronal à attention multi-niveaux interprétable spécifiquement conçu, nommé DeepMoleNet, une prédiction efficace et précise de 12 propriétés, incluant le moment dipolaire, l’énergie HOMO et l’énergie libre de Gibbs, est atteinte avec une précision chimique. De façon remarquable, le modèle d’apprentissage profond multi-tâches proposé utilise comme cible de prédiction l’ensemble de descripteurs fonctions de symétrie centrées sur l’atome (ACSFs), au lieu de les employer comme entrée, selon la méthode classique. Le réseau neuronal à attention multi-niveaux proposé s’applique à l’analyse à haut débit de nombreuses espèces chimiques, permettant ainsi d’accélérer la conception rationnelle de médicaments, de matériaux et de réactions chimiques.