연구진이 등방성 그래프 신경망을 활용해 광학 스펙트럼 예측 성능을 높여 신소재 스크리닝에 기여했어요. 기존 모델은 회전 불변 스칼라 특징에 의존해 기하학적 표현력이 제한적이었어요. 제안 모델은 기존 최고 성능을 능가하며, 특히 0~8 eV 범위와 정적 실수 유전율 예측에서 큰 성과를 거두었어요.
GotenNet을 활용한 모델은 random phase approximation (RPA) 수준으로 계산된 1만 533개 구조 데이터셋에서 평가를 받았어요. 이는 태양전지 등 광전용 애플리케이션에 필요한 광학 스펙트럼 예측의 핵심 요소예요.
새로운 모델은 기존 방식 대비 성능을 개선했으며, 얇막 광학 분야에 중요한 정적 실수 유전율 예측 정확도를 높이는 데 기여했어요.