谱图神经网络结合课程学习：分子HOMO-LUMO能隙预测的新范式

本文介绍一项将谱图神经网络与课程学习相结合的研究，用于预测分子HOMO-LUMO能隙。该方法在提升预测精度的同时显著加快训练速度，为计算化学和药物发现领域提供新技术路径。

在计算化学和药物发现领域，准确预测分子电子性质是核心挑战。HOMO-LUMO能隙是衡量分子化学活性和光学性质的关键指标

传统量子化学计算（如DFT）精度高但成本昂贵，大规模筛选难以承受，机器学习快速预测模型成为研究热点。

分子可表示为图结构，传统GNN面临同质性高、难捕捉全局电子性质等局限

谱图神经网络基于图拉普拉斯矩阵谱分解，频域处理图信号：低频对应全局拓扑，高频反映局部官能团；谱卷积具全局感受野，对分子大小不敏感且特征可解释。

课程学习按样本难度有序训练：先简单后复杂

本研究综合分子规模、拓扑复杂度、化学多样性、基线误差定义难度；采用自适应调度：达标后引入更难样本，表现下降则回退巩固。

谱图网络+课程学习的协同效果： 1.训练效率：相同验证精度下迭代次数减少30-40% 2.预测精度：标准数据集领先，复杂大分子子集改进显著

原因：谱图捕捉长程相互作用，课程学习建立基础规律。

1.药物发现：加速虚拟筛选，提升分子评估数量 2.材料设计：指导有机电子/光伏材料目标能隙探索 3.教育：开源实现为计算化学提供AI-for-Science教学资源。

本研究结合谱图神经网络与课程学习提供高效准确路径

局限：超大分子计算成本高 未来：探索近似谱方法；扩展到多分子体系（如溶剂化效应）。