09 · 同一个分子，字符串、图和三维坐标各学到什么？
前面用指纹训练过模型，本节让网络分别读取 SMILES、分子图和三维坐标，比较它们学到了什么。数据换成 QM9 小分子量子化学数据：参考值来自计算，不是药物活性实验，与前面的 EGFR 案例独立。
发什么提示词
新建对话，选择 CADD Workflow Runner。
发送：
请自行获取 QM9 数据，分别用 SMILES、分子图和三维坐标训练小规模模型，预测原教程对应的量子化学性质。比较学习曲线、测试误差和几何变换后的预测稳定性，用组图解释三种输入的差异，并说明数据来源、样本划分和计算规模。
结果出来后，可以追问：
SMILES、分子图、三维坐标这三种输入到底差在哪里？为什么有的分子预测误差特别大？
读懂结果
T034/T035 预测偶极矩大小 μ（单位 Debye），T036 预测电子空间扩展量 ⟨R²⟩（单位 Bohr²，区别于评价拟合的 R²）。
| 任务 | 预测目标 | 比较方式 |
|---|---|---|
| T034 / T035 | 偶极矩大小 μ | GRU、GCN、GIN 使用同一组分子与划分 |
| T036 | 电子空间扩展量 ⟨R²⟩ | 两类三维网络，并增加同一组分子上的 GRU、GCN、GIN 对照 |
两组教学子集各 6,000 个分子，按 4,800/600/600 分为训练、验证、测试。T036 组保留重原子数少于 9 的条件，并加入同目标的二维模型对照；输入与网络同时变化，不能把全部差异归因于三维信息。
1. 三种输入分别保留了这个分子的什么？
图 1｜同一分子 gdb_91（SMILES：O=C1CCN1）依次呈现为字符、原子连接图和三维结构。点击图片可打开矢量图放大查看。
这张图看什么： 同一分子 gdb_91 的三种样子：字符 O=C1CCN1、原子连接图和三维结构。
看到什么： GRU 依次读取字符，GCN/GIN 沿原子与化学键传递信息，三维网络还使用坐标或距离。性质与坐标按 gdb_N 对应后再拼接；本次使用 QM9 原始量子优化坐标，二维图与三维坐标的原子集合、顺序也分别核对。
补充说明
SMILES 仍编码连接关系，三维输入也不等于包含全部电子或环境信息。为缩短计算时间，本次 GCN/GIN 使用两层网络，原教程使用三层；结果不能直接等同。2. 学习曲线持续改善了吗？
图 2｜每轮验证 RMSE：曲线和阴影分别是 3 个种子的均值与样本标准差；右侧使用对数纵轴。
这张图看什么： 图中是每轮的验证 RMSE（均方根误差，越小越好），不是 MAE；曲线和阴影分别是 3 个种子的均值与样本标准差，右图纵轴为对数。
看到什么： 每个模型训练 3 个随机种子、各 60 轮；训练集更新权重，验证集选择保存轮次，测试集报告表现，目标标准化只用训练数据——这张图呈现的正是用来挑选保存轮次的验证误差。
补充说明
这里只画验证误差，不能单凭它判断过拟合。3. 和简单基线相比，这些模型强多少？
图 3｜所有模型的测试误差与“预测训练均值”“仅按重原子数线性拟合”两个基线的比较。
这张图看什么： 各模型在相同目标、相同划分中比较测试误差（下表列出数值），对照“预测训练均值”“仅按重原子数线性拟合”两个基线。
看到什么： 数值为三个种子的均值 ± 样本标准差：
| 模型 | 偶极矩测试 RMSE，Debye | ⟨R²⟩ 测试 RMSE，Bohr² |
|---|---|---|
| GRU | 1.113 ± 0.013 | 67.12 ± 0.57 |
| GCN | 1.116 ± 0.010 | 94.48 ± 2.28 |
| GIN | 1.149 ± 0.010 | 86.91 ± 3.37 |
| 绝对坐标三维网络 | 本次未训练此目标 | 54.47 ± 3.30 |
| 距离不变三维网络 | 本次未训练此目标 | 11.25 ± 1.40 |
偶极矩任务中 GRU/GCN 表现接近；⟨R²⟩ 任务中距离网络误差最低。训练均值基线的两列 RMSE 约 1.508 Debye、235.24 Bohr²；仅按重原子数拟合 ⟨R²⟩ 为 214.40 Bohr²。
补充说明
只在同一列内比较：两个目标、单位与样本池不同。距离网络在 ⟨R²⟩ 任务误差最低，不能外推为所有性质都更好；也不能据重原子数基线的数字说分子大小已经足够准确。4. 平均误差掩盖了哪些分子？
图 4｜seed 0 的 600 个测试分子，偶极矩预测值对 QM9 参考值。
这张图看什么： 一次运行（seed 0）的 600 个测试分子：横轴 QM9 参考值，纵轴预测值。先找对角线，再看偏离最远的分子和是否存在整体高估、低估。
看到什么： 偶极矩大小反映电荷分离程度，数值小不等于分子小。
补充说明
总体 RMSE 相近的模型，也可能在不同分子上出错。5. 样本很少的分组能下结论吗？
图 5｜⟨R²⟩ 预测：左侧比较两种三维模型，右侧按重原子数分组展示误差；空心点标记样本很少的前两组。
这张图看什么： ⟨R²⟩ 预测：左侧比较两种三维模型，右侧按重原子数分组展示误差；空心点标记样本很少的前两组。
看到什么： ⟨R²⟩ 测试集中，5、6、7、8 个重原子的分子分别只有 6、14、81、499 个；前两组用空心点提示样本少。
补充说明
某个小组的平均误差低，不足以证明模型对这种大小的分子普遍可靠。这里预测的是电子空间扩展量，不是 HOMO–LUMO 能隙。6. 转动或平移分子，预测会变吗？
图 6｜对测试分子施加平移、旋转、旋转加平移、反射后的预测变化：左侧合并 3 个种子（每模型每变换 144 条记录），右侧仅 seed 0 的逐分子变化；精确为零的变化用叉号标出，对数轴显示下限不是测量精度。
这张图看什么： 对测试分子施加平移、旋转、旋转加平移、反射后的预测变化：左侧合并 3 个种子（每模型每变换 144 条记录），右侧仅 seed 0 的逐分子变化；精确为零的变化用叉号标出，对数轴显示下限不是测量精度。
看到什么： 偶极矩大小与 ⟨R²⟩ 是本节的标量目标，整体平移或旋转后应不变。对 48 个测试分子做平移、旋转、组合变换与反射后，距离网络的变化约 10⁻⁴ Bohr²，与浮点误差量级相当；绝对坐标网络仅在指定平移下平均变化就约 1,888 Bohr²。原教程名为 EquivariantGNN 的模型在这里用距离传递信息、输出 E(3) 不变标量，不等同于逐层更新坐标的 EGNN。
补充说明
距离不能区分镜像；满足几何不变性也不保证预测准确，仍需测试误差检验。下一步
本节训练的是小分子的量子化学性质，用来理解输入表示、学习过程和模型行为。EGFR 抑制剂的有效性需要回到 EGFR 活性数据和实验验证；更大或更陌生的分子也需要单独评估。下一节分别用 EGFR 检验预测不确定性，用 KIBA 学习蛋白与配体的联合建模：继续第十节：模型什么时候值得相信，什么时候该继续查证？。
去之前可以先发一句追问，把本节结果收拢：
距离不变网络在 ⟨R²⟩ 任务上误差最低（11.25 ± 1.40 Bohr²），这能外推到其他性质吗？请结合训练均值基线的 1.508 Debye 和 235.24 Bohr² 解释。
下载本节完整输入输出与代码，解压后先打开 readable-report.html。
| 想检查什么 | 打开哪个文件 |
|---|---|
| 本节各项结果与结论怎样串起来 | readable-report.html |
原始教学内容：T034、T035、T036。QM9 数据背景见 Ramakrishnan 等的原始数据论文，本次加载的目标索引与单位见 PyG QM9 官方说明。
返回指南首页。