化学性质预测的跨模态学习：大型语言模型与图神经网络的结合
原文中文，约300字，阅读约需1分钟。发表于：。该研究针对现有图深度学习方法在化学性质预测中的局限性，提出了一种多模态融合框架，结合了大型语言模型和图神经网络的优点。研究表明，该方法在分子属性预测的准确性和鲁棒性上显著优于现有基准，尤其在应对分布转移问题时表现突出。
研究提出了一种新方法SYN-FUSION，结合了图神经网络和Transformer的预训练特征，能够准确预测分子性质，在基准数据集上表现优秀，超过以前的模型，在分类和回归数据集上有优势。与其他模型相比，性能相当。消融实验验证了SYN-FUSION的有效性，对预测分子性质有实质性改进。
