في عصر الذكاء الاصطناعي، يظهر التعلم الذاتي (Self-supervised Learning) كأحد الحلول الواعدة لتحسين التنبؤ بخصائص الجزيئات. رغم ذلك، تظل الطرق الحالية محدودة في تعدد الهياكل وتعتبر معلومات الروابط كمكونات ثانوية. هنا يأتي الابتكار الجديد مع MolCHG، وهو إطار عمل متطور يعتمد على رسوم بيانية هرمية تركيبية (Compositional Hierarchical Graph) لتنظيم الهياكل الجزيئية إلى أربعة أنواع من العقد عبر ثلاثة مستويات دلالية.

ما يميز MolCHG هو تقديمه لرسوم بيانية للروابط التي تعمل بشكل متوازي مع الرسم البياني للذرات، مما يرفح معلومات الروابط إلى تمثيلات مستقلة تتطور بشكل متساوٍ مع العقد الذرية. هذا النظام يسمح للعقد التفاعلية بجمع معاني على مستوى الذرات والروابط بشكل متناسق.

واحدة من الابتكارات الرئيسية في MolCHG هي الأهداف التدريبية المحددة للمستويات الثلاثة، بما في ذلك:
- مهمة التباين العابر للرؤية بين الذرات والروابط.
- مهمة التنبؤ بمجموعة الوظائف على مستوى الجزء.
- مهام التنبؤ بالهيكل على مستوى الرسم البياني.

تظهر التجارب على تسعة اختبارات من MoleculeNet أن MolCHG يحقق أفضل أداء على سبعة مجموعات بيانات، مما يجعله منافسًا قويًا أمام أقوى الأسس الحالية. الأبحاث أيضا تؤكد أن إشارات الإشراف متعددة المستويات تكمل بعضها البعض، وأن كل مكون يسهم في الأداء العام.

بهذه الطريقة، يمثل MolCHG خطوة نوعية نحو تحسين التطبيقات الكيميائية وتوسيع نطاق الذكاء الاصطناعي في هذا المجال.