研究解讀
Journal of Chemical Theory and Computation
A Cross-Domain Graph Learning Protocol for Single-Step Molecular Geometry Refinement
GeoOpt-Net 採用 SE(3) 等變多保真學習，在一次確定性的前向傳播中，將低成本生成的力場構象直接映射為具 DFT 級精度的分子幾何結構。
01 / 研究問題
研究問題
可靠的量子化學計算需要準確的分子幾何結構，但在大規模分子處理中，迭代式 DFT 幾何最佳化成本較高。
02 / 研究方法
研究方法
此方法使用 SE(3) 等變圖架構和多保真學習，在一次確定性的前向傳播中將低成本初始構象映射到目標量子化學幾何結構。
03 / 研究意義
研究意義
直接精修可降低大規模量子化學工作流程中的幾何準備負擔，同時保留任務所要求的幾何對稱性。
04 / 發表資訊
發表資訊
- 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}
}