等变图神经网络加速有机分子动态极化率计算

摘要

预测有机分子的动态极化率张量对模拟光电器件中的光-物质相互作用至关重要，但TD-DFT等传统量子化学方法计算昂贵，限制大规模筛选。研究提出一种等变图神经网络架构，可直接从三维几何、UV-vis光谱等易得分子信息预测随频率变化的复值动态极化率张量，学习其形状与量级，并捕捉色散与吸收特征。模型在QM9与Harvard有机光伏数据集上以多种指标评估，包括适用于光谱量比较的推土机距离，能够复现张量主要特征并对不同分子泛化。在下游器件级光学模拟中，模型预测极化率得到的载流子产生率与TD-DFT结果一致（R² = 0.94）。