提出了一种新颖的分布一致图自训练（DC-GST）框架，通过解决训练集与测试集之间的分布差异，识别伪标记节点，并进行建模。实验证明该框架优于基线模型。

机器学习在计算化学中的应用加速原子模拟和材料设计，提高电子结构方法的预测能力，纠正基础错误。讨论了构建适用于不同化学和材料类别的可迁移学习模型的前景和挑战。