arXiv 2026年10月5日该工作从QM7数据集中选取6874个分子，用DFT计算基态电子密度、用线性响应TDDFT计算吸收光谱，比较以三维电子密度为输入的3D卷积神经网络与以原子几何为输入的图神经网络（SchNet、DimeNet++、MACE）在预测归一化吸收光谱上的表现，发现密度CNN的验证相关系数达0.9926，优于最佳几何图模型的0.9795，并将残余去相关降低约三分之二。该工作从QM7数据集中选取6874个分子，用DFT计算基态电子密度、用线性响应TDDFT计算吸收光谱，比较以三维电子密度为输入的3D卷积神经网络与以原子几何为输入的图神经网络（SchNet、DimeNet++、MACE）在预测归一化吸收光谱上的表现，发现密度CNN的验证相关系数达0.9926，优于最佳几何图模型的0.9795，并将残余去相关降低约三分之二。基态电子密度作为机器学习输入比分子几何更准确地预测分子吸收光谱该工作从QM7数据集中选取6874个分子，用DFT计算基态电子密度、用线性响应TDDFT计算吸收光谱，比较以三维电子密度为输入的3D卷积神经网络与以原子几何为输入的图神经网络（SchNet、DimeNet++、MACE）在预测归一化吸收光谱上的表现，发现密度CNN的验证相关系数达0.9926，优于最佳几何图模型的0.9795，并将残余去相关降低约三分之二。该工作从QM7数据集中选取6874个分子，用DFT计算基态电子密度、用线性响应TDDFT计算吸收光谱，比较以三维电子密度为输入的3D卷积神经网络与以原子几何为输入的图神经网络（SchNet、DimeNet++、MACE）在预测归一化吸收光谱上的表现，发现密度CNN的验证相关系数达0.9926，优于最佳几何图模型的0.9795，并将残余去相关降低约三分之二。