التنبؤ بمردود تفاعل كيميائي هو محاولة لتقدير المحصول الزراعي دون معرفة سوى تكوين التربة. لفترة طويلة، اعتمد الكيميائيون على أعمدة طويلة من الأرقام، تُسمى الواصفات الكمومية (quantum descriptors)، التي تصف طاقة الإلكترونات لكنها تتجاهل شكل الجزيء. ومع ذلك، قد يتصرف مركبان بخصائص رقمية شبه متطابقة بشكل مختلف لمجرد أن أحدهما ضخم كباقة زهور والآخر مسطح كورقة.

قام مؤلفو الدراسة بمنح النموذج بصرًا: أضافوا إلى البيانات الجدولية مخططات ثنائية الأبعاد بسيطة للجزيئات — تلك التي تُرسم في الكتب المدرسية. وكانت النتيجة مذهلة: حتى شبكة عصبية التفافية عادية، مدرّبة على هذه الصور فقط، تتنبأ بالمردود بدقة أكبر من أفضل الطرق التي تستخدم الحسابات الكمومية حصريًا. وعندما تم دمج تدفقي المعلومات عبر آلية الانتباه المتبادل، انخفض الخطأ إلى 5.27% — وهو مستوى كان يُعتبر سابقًا بعيد المنال.

من المثير للاهتمام أن بنية الشبكة مصممة لحماية المعاملات الرقمية المهمة من التشويه عند دمجها مع الصورة. لهذا الغرض، تم استخدام الوصلات المتبقية — وهي تعمل كحبل أمان، لا تسمح للخصائص الإلكترونية بالضياع في تدفق البيانات المرئية. ونتيجة لذلك، حصلنا على أداة دقيقة وشفافة في آن واحد: يمكن تتبع أجزاء الجزيء التي تركز عليها الشبكة عند اتخاذ القرار.