# 紫外吸收预测

该工作以紫外吸收波长（λmax）预测为测试场景，在18,415个溶质-溶剂对（经Greenman/Song重复处理协议）上以分层5折交叉验证比较了五类模型（随机森林、XGBoost、有向消息传递图神经网络、双向门控循环网络、预训练Transformer），并辅以两个合计超过40,000个分子的外部数据集，发现已知化学空间内的筛选任务中随机森林与最佳深度学习模型统计上不可区分（RMSE 31.50±1.47 nm 对 33.15±3.27 nm，p=0.16）且仅需CPU上15分钟训练，而在16个新骨架紫外吸收化合物的实验验证中图神经网络（MAE 26.2 nm）、Transformer（26.3 nm）与Bi

该工作以紫外吸收波长（λmax）预测为测试场景，在18,415个溶质-溶剂对（经Greenman/Song重复处理协议）上以分层5折交叉验证比较了五类模型（随机森林、XGBoost、有向消息传递图神经网络、双向门控循环网络、预训练Transformer），并辅以两个合计超过40,000个分子的外部数据集，发现已知化学空间内的筛选任务中随机森林与最佳深度学习模型统计上不可区分（RMSE 31.50±1.47 nm 对 33.15±3.27 nm，p=0.16）且仅需CPU上15分钟训练，而在16个新骨架紫外吸收化合物的实验验证中图神经网络（MAE 26.2 nm）、Transformer（26.3 nm）与Bi