研究解读
Journal of Chemical Theory and Computation
A Cross-Domain Graph Learning Protocol for Single-Step Molecular Geometry Refinement
GeoOpt-Net 采用 SE(3) 等变多保真学习，在一次确定性前向传播中，将低成本生成的力场构象直接映射为具 DFT 级精度的分子几何结构。
01 / 研究问题
研究问题
可靠的量子化学计算需要准确的分子几何结构，但在大规模分子处理中，迭代式 DFT 几何优化成本较高。
02 / 研究方法
研究方法
该方法使用 SE(3) 等变图架构和多保真学习，在一次确定性前向传播中将低成本初始构象映射到目标量子化学几何结构。
03 / 研究意义
研究意义
直接精修可降低大规模量子化学工作流中的几何准备负担，同时保留任务所要求的几何对称性。
04 / 发表信息
发表信息
- 作者
- Chengchun Liu, Wendi Cai, Boxuan Zhao, and Fanyang Mo
- 期刊
- Journal of Chemical Theory and Computation
- 年份
BibTeX
@article{liu2026geooptnet,
title = {A Cross-Domain Graph Learning Protocol for Single-Step Molecular Geometry Refinement},
author = {Chengchun Liu and Wendi Cai and Boxuan Zhao and Fanyang Mo},
journal = {Journal of Chemical Theory and Computation},
year = {2026},
date = {2026-07-12},
volume = {22},
number = {14},
pages = {7469--7479},
doi = {10.1021/acs.jctc.6c01080},
url = {https://doi.org/10.1021/acs.jctc.6c01080}
}