摘要
三维图神经网络根据原子间几何结构预测分子和原子性质。现有的几何骨干网络主要通过将一个架构替换为另一个架构来进行比较，因此任何准确性的提升都归功于整体新设计。GeoRC 在保留基础预测路径的同时，通过几何感知残差分支增强现有的图级预测器。径向距离特征和逐元素边门控构建有向局部相互作用，门控循环单元更新优化节点状态，图级残差融合通过有界的幅值条件筛选映射和可学习的全局尺度，将生成的候选校正与基础预测相结合。完整的 GeoRC-SphereNet 模型使评估的所有八种分子的 MD17 力平均绝对误差（MAE）平均降低 3.14%。在重复的组件移除研究中，移除径向基特征增加了所有八种分子的平均力 MAE，这表明几何编码是影响范围最广的组件，且在三次配对运行中，OC20 宏观能量 MAE 降低了 0.0639%。结果支持 GeoRC 作为分子和原子性质预测的有效残差设计，所提出的方法为该领域的未来工作提供了有用的参考。
