Исследователи представили новый подход к прогнозированию оптических спектров материалов с использованием эквивариантных графовых нейронных сетей. Традиционные суррогатные модели часто ограничены использованием скалярных признаков, инвариантных к поворотам, что снижает точность описания геометрических свойств молекулярных структур. Применение эквивариантных архитектур позволяет нейросети учитывать пространственную ориентацию атомов и связей, значительно повышая выразительность модели при анализе сложных физических систем.
Разработка направлена на автоматизацию высокопроизводительного скрининга материалов для оптоэлектроники, включая создание эффективных солнечных батарей. Использование графовых нейросетей позволяет предсказывать оптические характеристики с высокой точностью, опираясь на фундаментальные геометрические данные, а не на упрощенные теоретические расчеты. Это сокращает вычислительные затраты, необходимые для первичного отбора перспективных соединений в материаловедении.
Метод демонстрирует потенциал для масштабирования в задачах поиска новых функциональных материалов. Переход от инвариантных моделей к эквивариантным позволяет более эффективно использовать данные о симметрии молекул, что является критически важным для предсказания свойств, зависящих от пространственного расположения компонентов. Исследование открывает возможности для интеграции подобных моделей в автоматизированные цепочки проектирования новых технологий в энергетике.