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

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

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

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

بهذه الطريقة، يمثل [MolCHG](/tag/molchg) خطوة نوعية [نحو](/tag/نحو) [تحسين](/tag/تحسين) [التطبيقات](/tag/التطبيقات) الكيميائية وتوسيع نطاق [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي) في هذا المجال.