本文探讨了利用晶体图神经网络（CGNN）和机器学习技术预测高熵合金的材料属性。研究提出了数值推理方法和图神经网络模型，以解决材料设计中的假设局限性，推动人工智能在材料发现中的应用。通过构建知识图谱和多智能体系统，提升了材料设计的准确性和效率。

本文探讨了利用晶体图神经网络（CGNN）和机器学习技术预测材料属性的方法，提出了基于数据驱动的模型，能够高效预测晶体结构的弹性性质和高熵合金的相。通过新型深度学习方法DeepCrysTet和大型语言模型（LLM-Prop），在晶体性质预测方面取得了显著进展，并展示了跨模态知识图谱的构建及其在材料研究中的应用，强调了模型的泛化能力。