在核算化学与资料科学范畴，精准高效的分子势能模型是推进分子动力学模仿和资料规划的要害。近年来，依据图神经网络的机器学习势函数取得了明显发展，尤其是音讯传递神经网络（MPNN），已展示出构建通用原子间势函数的潜力。但是，现有办法遍及依靠球谐函数及Clebsch-Gordan缩并来坚持旋转对称性，这一进程核算复杂度高，影响了其实践使用。

　　针对这一应战，浙江大学航空航天学院朱书泽研讨员团队提出了矩-图神经网络（MGNN）。MGNN是一种旋转不变的音讯传递神经网络架构，引进矩（moment）表征分子三维结构联系，避免了传统高阶张量核算，使其在坚持核算功率的一起，可以精准描写分子系统的几许特性。

　　研讨团队在多个开源公共数据集上验证了MGNN的优越性。在QM9数据集上，MGNN在12项分子性质猜测使命中取得了7个SOTA（当时最佳）成果，其他使命的差错也与最优模型适当。在批改的MD17数据会集，MGNN在小分子能量和力场猜测方面多项目标改写SOTA记载，并在其他使命上坚持了与前沿模型挨近的差错。在用于评价机器学习势函数稳定性的MD17-乙醇数据会集，MGNN在能量差错、力差错及长时间稳定性方面均到达SOTA水平。此外，该研讨还在3BPA和25元素高熵合金数据集上测试了MGNN的泛化才能和核算功率，依据成果得出MGNN在不同系统中的习惯才能强，核算成本低。

　　MGNN的中心在于使用矩表征分子图的几许联系，并结合音讯传递机制高效学习分子特征。经过为节点（原子）、边（化学键）、三元组（视点联系）界说矩，MGNN可以准确描绘分子的对称性。其信息传递机制选用三元组-边-节点的多层级信息流，使分子图中的空间联系得以高效建模，并终究经过输出模块猜测不同物理性质。有必要留意一下的是，MGNN的输出规划涵盖了不同阶数的张量，包含标量（如能量）、向量（如力、偶极矩）以及高阶张量（如极化率），使其可以适用于多种核算化学和资料科学使用。

　　MGNN在实践资料系统的模仿中也展示了广泛的使用价值。例如，在非晶态磷酸锂（Li₃PO₄）固态电解质中，MGNN模仿得到的锂离子分散特性，包含径向散布函数（RDF）、四面角视点散布函数（ADF）和均方位移（MSD），均与第一性原理核算成果高度符合，为固态电解质规划供给了牢靠东西。此外，MGNN在分子光谱核算中的使用标明，其在红外（IR）和拉曼（Raman）光谱猜测方面相同体现优异，核算成果与试验数据高度一致，展示出代替传统电子结构核算方法的潜力。