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。

本文介绍了通过极化原子相互作用的神经网络（PaiNN）和等变图神经网络（GNNs）提升分子预测性能的方法。这些技术在分子光谱模拟和分子动力学中表现优异，尤其在N-Body模拟和蛋白质去噪任务上显著降低误差并提高效率。同时，研究探讨了角度特征对分子属性预测的影响，证明其能有效降低测试误差。