Previsão de propriedades de materiais energéticos com base em uma rede de atenção gráfica consciente de direcionalidade

Materiais energéticos têm aplicações amplas em domínios militares, aeroespaciais e outros de alto risco. A previsão precisa de suas propriedades explosivas é crítica tanto para o desenvolvimento do material quanto para o seu uso seguro. Este artigo propõe um modelo de Rede de Atenção Gráfica Consciente de Direcionalidade (DAGAN), que constrói representações de nós e arestas incorporando características detalhadas, como distribuições de tipos atômicos e ambientes topológicos de ligações químicas. Uma arquitetura de atenção gráfica consciente de direcionalidade é projetada e integrada com um algoritmo de treinamento adaptativo para permitir a mineração profunda das características intrínsecas das moléculas. Resultados experimentais mostram que o modelo DAGAN, após otimização de hiperparâmetros, supera significativamente métodos tradicionais de aprendizado de máquina, como SVM, RF e XGBoost, na previsão de desempenho explosivo. Seu mecanismo de atenção captura efetivamente tanto as interações atômicas locais quanto as características estruturais globais, superando as limitações da informação incompleta na engenharia de características convencional. Este trabalho oferece uma nova perspectiva e método para a pesquisa e desenvolvimento de materiais energéticos.