深度生成扩散模型在材料科学和药物发现中展现出潜力，但受限于大分子结构和训练数据。本研究提出的EQGAT-diff模型显著提升了QM9和GEOM-Drugs数据集的表现，改善了训练收敛性和生成样本质量，显示出在药物设计中的应用前景。

该研究提出了Hessian QM9数据库，用于改进第一性原理方法的计算效率和准确性。实验证明，将势能表的二阶导数纳入机器学习势能函数的损失项可以提高振动频率的预测准确性，有助于研究有机分子在溶剂环境中的性能。