一直以来,从新药物的发现到最终应用的过程被认为是非常耗时且消耗资源密集的。在化学领域,经典传统方法密度泛函理论(DFT)使用非常广泛,其计算出分子的密度泛函并推导出各种性质。然而,传统的量子模拟技术既昂贵又难以探索潜在大范围的掺杂分子结构。为了降低成本并提高效率,提出了一种基于化学环境的图神经网络模型,希望能在新型材料和药物的研发上推动发展。本文探索领域聚焦于石墨氮化碳(g-C3N4)及其掺杂变体。鉴于石墨氮化碳(g-C3N4)的分子性质带隙在现实中的重要性,准确预测材料的光学带隙成为了本研究的目标。本文使用基于化学环境的图神经网络有效地捕捉了分子的复杂结构,即使同时探索具有多个变体的掺杂g-C3N4结构,它也能精确预测它们的带隙,相比于传统的图神经网络有极大的提升,提供了一种方便快捷且精确的工具。