本研究介绍了Gryffin框架，利用机器学习加速分子和材料的发现。通过小波散射变换和特征选择，提高了材料性质预测的准确性，并探讨了机器学习在表面相图预测和晶体材料建模中的应用，展示了其在材料科学中的潜力和效率。

本文介绍了多种基于Transformer架构的模型，如ComFormer、Matformer和CrystalBERT，应用于晶体材料设计。这些模型通过有效编码晶体结构和物性，提高了预测准确性和材料发现效率，并在不同基准数据集上表现出优越性能。研究强调了周期性不变性和局部化学环境对全局物性的影响，为新型无机材料的发现提供了重要方法。

本文提出了一种混合框架，通过两个级联回归阶段解决深度学习在材料研究中哈密顿回归的协方差与表达能力的矛盾。第一阶段使用协变神经网络建模3D原子系统的对称性，第二阶段利用非线性3D图Transformer网络进行结构建模，从而提升哈密顿预测的精度。该方法在电子结构计算中表现出色，并在多个晶体材料数据库上验证了其有效性。