采用自编码器进行非线性机器学习，发掘具有明确和可微分函数关系的 CVs，加速沿着数据启发式的 CVs 进行偏引力采样。在模拟丙氨酸二肽和 Trp-cage 时展示了这种方法。
Dec, 2017
该研究论文介绍了一种将重要性抽样与深度神经网络相结合的实用方法，提高了稀有事件的采样效率，并在计算物理学和材料科学领域对稀有事件进行了研究和比较。
Jan, 2024
为机器学习的原子间势提供了能够代表分子系统可访问配置空间的数据集的生成方法，该方法利用不确定性作为集体变量以引导获取与化学相关的数据点，重点关注机器学习模型预测最不确定性的配置空间区域，并在丙氨酰二肽基准系统上验证了该方法在克服能量壁垒和探索未知能量最小值方面的有效性。
Feb, 2024
使用一种新的神经网络架构代替马尔科夫链蒙特卡洛（MCMC）采样方法来支持高效和精确的量子状态预测，这种方法在二维相互作用自旋模型中验证了其精确性和可扩展性。
Feb, 2019
使用基于评分的扩散模型的去偏方法对温度加速分子动力学（TAMD）模拟进行测试，结果表明这种去偏方法显著优于传统的去偏方法，并且能够生成准确的无偏构象集合，适用于具有较高 CV 数量的模拟。
Dec, 2023
该研究提出了一种使用物理对称性和变尺度聚类更新以消除偏差且方差较低的方法来进行高维概率分布的无偏抽样，测试了其在经典自旋系统的一阶和二阶相变中的可行性。
May, 2021
本研究中，我们提出了一种基于图神经网络的学习方法，使用自编码器来从实验晶体结构中观测到的特征中得出低维变量。然后，通过增强采样来偏置这些变量，以观察状态间的转换和可靠的热力学权重。我们的方法使用简单的卷积和池化方法。为了验证我们的协议的有效性，我们考察了各种铁和甘氨酸同素异形体和多晶体从熔融态到化合物相的核化过程。通过合理温和的元动力学，我们的图潜变量始终显示状态间的转换，并且在与实验一致的自由能计算中取得准确的结果，这两个结果都是可靠采样的指标。这突显了我们的图神经网络变量在改进采样方面的力量和潜力。此处展示的协议对于其他系统和其他采样方法应适用。
Oct, 2023
通过使用变分 Monte Carlo 方法和神经网络密度矩阵表示，我们开发了一种有效模拟开放量子系统非平衡稳定态的方法，并通过建模二维耗散性 XYZ 自旋模型进行测试。
使用机器学习插值位能函数和 Markov-chain Monte Carlo 采样方法，加快了多组分材料表面相图预测中的能量和统计抽样方法，可模拟复杂的材料表面并发现以前未报告的表面终止。
May, 2023
通过将神经网络的编译器优化问题作为强化学习问题，本文提出了一种新的解决方案，名为 ReLeASE，它通过聚类来聚焦于代表性点上的昂贵采样，并且通过在较短的时间内更好地探索来提高样本的质量。实验表明，使用自适应采样的强化学习可以大大加快优化时间并提高现代深度网络的推理时间。
May, 2019