学习有机与无机子结构交互的图神经网络

基于摘要分析。本文研究包含有机与无机异质子结构的复杂化学系统，提出相应的数据描述符和图神经网络，用于学习子结构之间的图间相互作用，并预测混合太阳能电池材料的物理性质。 方法动机是：复杂化学系统的物理现象与异质子结构之间的相互作用有关，而摘要所述既有图表示学习方法主要假定同质结构之间的图级相互作用。本文将建模对象扩展到有机化合物与无机化合物之间的异质图间相互作用。摘要未提供描述符的具体组成、图的构建方式、交互算子、训练目标或推理流程，因此尚不能判断其与既有图间交互方法的具体结构差异。 作者报告，在涉及 1,682 种混合太阳能电池材料的带隙预测中，该方法达到其所称的最先进准确性水平。摘要未给出具体误差指标、数值、数据划分或对照基线，不能据此量化性能增益，也不能判断对未见材料的泛化能力；实验协议、消融及统计信息尚未验证。 该研究的主要对象是化学材料性质预测，而非神经信号或 BCI。现有材料未建立化学异质子结构与 EEG 数据结构之间的具体机制对应，因此不据此提出 BCI 迁移效果或复现实验建议。相关 EEG 工作尚未检索确认。