SFMMoE：一种半经验描述符增强的多专家图神经网络，用于准确预测单裂变特性

《The Journal of Physical Chemistry Letters》：SFMMoE: A Semi-Empirical Descriptor-Augmented Multi-Expert Graph Neural Network for Accurate Prediction of Singlet Fission Properties

提出基于图神经网络（GNN）的SFMMoE模型，融合多专家门控（MMoE）架构与两跳消息传递，整合分子局部拓扑信息与全局半经验分子描述符，同时预测五个关键激发态性质（含两个决定单激发态分裂的热力学标准），均方误差低于0.04 eV，显著优于传统方法及基线GNN，并提供免费在线预测服务。

　　

由于准确评估激发态能量所需的高计算成本，高效识别单裂变（SF）候选体在高性能有机光伏材料的发展中仍然是一个重大挑战。在这里，我们提出了SFMMoE，这是一种结合了多专家多门控（MMoE）架构和2-HOP消息传递的图神经网络（GNN）。通过整合分子图中的局部拓扑信息与来自半经验方法的全局分子描述符，SFMMoE能够同时预测五个关键的激发态属性，包括两个对单裂变至关重要的热力学指标：ΔE_gap1 = ΔE_S1 – 2ΔE_T1 和 ΔE_gap2 = ΔE_T2 – 2ΔE_T1。该模型在所有任务中的均方误差均低于0.04 eV，优于传统的机器学习方法和GNN基线测试。这项工作表明，将多任务学习与专家专长以及图-描述符特征融合相结合，显著提高了激发态能量的预测精度，从而实现了大规模、低成本的SF材料虚拟筛选，并具有量子化学级别的准确性。为了便于更广泛的访问，我们提供了一个免费且用户友好的在线预测服务器，网址为http://tech.iawnix.xyz/SFMMoE。