本研究介绍了一种基于化学语言处理技术的云实时平台，该平台利用从 MolFormer 中推断出的分子嵌入来筛选感兴趣的分子；通过平台的三个任务，最近邻检索、化学空间可视化和属性预测，可以自动化化学和化学工程研究，并协助药物发现和材料设计任务。

Aug, 2022

在多用户虚拟现实环境中，通过严谨的云上物理原子模拟和大众虚拟现实硬件，我们为交互式分子动力学描述了一个框架，该框架让用户能够以原子级精度 “即时” 可视化和尝试复杂分子结构的结构和动态，并与同一虚拟环境中的其他用户进行交互，我们进行了一系列研究以证明其重要性，其中，我们展示了多个分子模拟任务，得出用户在交互式 VR 环境中能够比在传统界面中更快地完成复杂的分子建模任务，特别是对于原先的构象排列有内在三维特性之分子路径和结构过渡。这一框架应该能够加速纳米尺度分子工程领域的进展，例如药物研发，合成生物学和催化剂设计。总的来说，我们的研究发现展示了虚拟现实在科学领域的 3d 动态相关研究和教育上的潜力。

Jan, 2018

CloudBrain-NMR 是一个智能在线云计算平台，旨在为核磁共振数据的读取、处理、重建和定量分析提供便利，使用并行计算和深度学习算法，无需额外软件，大大缩短了计算时间，提供了完整的处理流程。

Sep, 2023

介绍了一个公共数据库系统，其中存档了一组与各向同性强制湍流有关的直接数值模拟数据（包括 $1024^3$ 空间点和 1024 时间样本），用户可以通过基于 Web 服务模型的界面远程访问这些数据并执行分析程序进行数字实验，该数据库用来分析与湍流中的小尺度间歇性有关的动力模型，具体地说，使用来自数据库中的 DNS 数据计算条件平均值来评估压力和粘性项对速度增量的 Lagrangian 演化的动态效应，并表明这些效应在它们之间存在显著差异，因此需要不同的建模策略。

Apr, 2008

本研究使用自然语言处理方法自动提取高分子文献中的材料性质数据，并训练了材料科学摘要的语言模型 MaterialsBERT。通过该模型，我们在 60 小时内从约 13 万篇摘要中提取了约 30 万条材料性质记录，证明了从已发表文献开始进行自动数据提取的可行性。

Sep, 2022

使用自然语言处理技术从 3300 多篇论文中提取聚合物太阳能电池属性数据，并模拟各种主动学习策略，加速材料创新，同时预测功率转换效率和发现未报道的有潜力的供体 - 受体组合。

Feb, 2024

通过将时空物理对称性结合到梯度域机器学习（sGDML）模型中，从高级初步计算中直接构建灵活的分子力场，为实现分子模拟中的光谱精度提供关键缺失成分。

Feb, 2018

本文介绍了 PubChemQC B3LYP/6-31G*//PM6 数据集，包含 85938443 种分子的电子性质等，并说明了 5 个子数据集及用途，可实现药物发现和材料科学等应用。

May, 2023

M2Hub 是一个用于推动材料发现中机器学习进步的工具包，其尤为关注材料发现中的虚拟筛选、反设计和分子模拟三个关键领域，以及提供了适用于材料结构的最先进的机器学习方法和数据集来进行基准测试。

Jun, 2023

TorchMD 是使用混合经典和机器学习势的分子模拟框架，可以提高数据驱动模型的质量和可转移性，它支持模拟神经网络潜力，可以有效训练和模拟蛋白质折叠，代码和数据可以在 https://github.com/torchmd 免费获取。

Dec, 2020