本文提出了一种结合了流模型与能量模型的方法，以解决机器学习在从分子图生成分子空间构象时存在的挑战。经过大量实验，证明该方法在分子构象生成和距离建模任务上具有显著的改进和卓越性能。

Feb, 2021

本文提出了一种基于条件深度生成图神经网络的分子构像生成方法，可以在数据驱动的基础上直接学习生成符合能量有利的、更可能在实验中被观察到的分子构像，相较于传统力场方法生成的构像更加接近于参考构像，并且保持着几何多样性，可以提供传统力场方法的初始坐标。

Mar, 2019

本文提出了一种名为 Geodiff 的新型生成模型，它将分子中的每个原子视为粒子，并学习直接反向扩散过程来预测分子构象，通过 Markov 的方式进行建模，Markov 核通过维持等变性来实现不变性分布，实验表明，该方法在多个基准测试中优于或与现有的最先进方法相媲美。

Mar, 2022

分子构象生成的新方法通过将分子的反积分过程视作对由分子所组成的原子施加逐渐增加的力场，从而使原子间距的变化分布从高斯分布向麦克斯韦 - 玻尔兹曼分布转变，该生成模型保证了可行的原子间距几何，并且具有时间可逆性。实验结果表明，该方法相比最先进的技术具有优势。

Sep, 2023

借助深度生成网络，本文提出了一种新颖的生成框架 —— 方法，在计算化学和药物开发领域推动了从二维分子结构推断三维分子构型的精确性，通过一个马尔科夫链过程，将随机噪声的分布转化为连贯的分子形式，并在尊重特定要求的基础上通过一个精心设计的双层优化方案实现了分子的三维形式的实现。

Dec, 2023

基于扩散的生成模型，通过深度学习从大规模训练集中推断原子类型和几何参数，以取得高精度的键合参数，超过传统的基于知识的方法，并与实验结构进行比较。

Feb, 2024

提出了一种基于机器学习的方法 GeoMol，可以生成分子的 3D 构象，并且相较于一些开源、商业或者最先进的机器学习模型表现更为出色，同时具有过程全自动化的特点。

Jun, 2021

利用深度学习的生成模型对分子和材料进行快速的预测，同时引入了一种能够识别非键合作用和立体异构体，并且能够偏向于小 HOMO-LUMO 间隙分子生成的生成式神经网络。

Jun, 2019

使用可变自编码器学习分子的三维结构，实现对分子结构的建模，生成具有结构和组成合法性的分子结构

Oct, 2020

本研究提出了一种新的方法，直接预测分子的坐标，通过适应性地聚合键和原子信息，迭代地细化生成构象的坐标，该方法在 GEOM-QM9 和 GEOM-Drugs 数据集上取得了最佳结果，并通过提供更好的初始构象来改善分子对接。

Feb, 2022