本研究提出多种机器学习模型，以提高新薄膜材料的开发效率。通过预测结晶维度、空间群及材料性质，克服数据稀缺问题，提升模型的准确性和鲁棒性。这些方法在材料合成、特征提取和物性预测中表现出色，显著节省时间并提高效率。

本文探讨了利用极化原子相互作用的神经网络（PaiNN）和图神经网络（CGNN）提升分子预测和光谱模拟的性能。研究表明，机器学习和合成数据集的预训练可以提高原子级材料建模的精度和稳定性。此外，提出的多模态框架结合结构数据和文本描述，有助于更好地预测材料性质。

该研究使用图神经网络预测材料性质，结果表明该模型能够准确预测系统的松弛能量，为加速材料发现提供了新的研究方向。