分子性质的精准预测在材料科学中具有重要应用。图卷积神经网络（Graph Convolution Neural Networks, GCNNs）已被反复证明 具有对小分子等图形数据进行建模的强大能力。而消息传递神经网络（Message Passing Neural Networks，MPNN）是一组 GCN 变体。利 用改进的消息传递神经网络框架，结合图结构编码与自适应超参数优化技术，用于高效预测有机太阳能电池材料分子的光电转换效率。该 模型通过增强型消息传递层实现多尺度特征融合，引入多头注意力机制与残差门控策略，显著提升了图节点特征的表征能力。该模型在关 键指标上表现优异，其中使用随机 100 个验证集数据标准化后进行预测的均方根误差（RMSE）为 0.082，平均绝对误差（MAE）为 0.061。
