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

通过第一性原理计算生成的数据，我们开发了一个神经网络力场 NN-F3 来研究断裂，通过预先对应变态空间进行采样和积极学习技术来探索临界键合距离处的过渡态。模拟结果验证了最近的实验发现，并强调在预测极端机械过程中包括从第一性原理计算中获取的电子结构知识的必要性。

Oct, 2023

我们提出了基于增强采样的 QM/MM 分子动力学模拟的研究范式，并通过我们开发的基于图神经网络的分子模型 —— 分子构型变换器，进行了高精度力场的训练。这种方法可以以较低的计算成本进行高精度模拟，从而更准确地计算化学反应机制，预计将成为有机化学反应机制理论研究的新趋势。

Dec, 2023

本研究提出了一个名为 $ abla^2$DFT 的新数据集和基准，其中包括更多的分子结构、构象、数据类型和任务，并且具备最新的模型。它是包含大量类似药物分子放松轨迹的第一个数据集，并在分子性质预测、哈密顿预测和构象优化任务方面提出了一种新的评估神经网络势函数的基准。此外，研究还提出了一个可扩展的神经网络势函数训练框架，并在其中实施了 10 个模型。

Jun, 2024

本研究旨在通过对 6 个 EGraFF 算法进行评估和分析，以及提出新的基准数据集、指标和挑战任务，系统地评估机器学习力场在原子模拟中的能力和限制，并指出该领域存在的开放性研究挑战。

Oct, 2023

本研究介绍了一种基于深度神经网络的分子模拟方案 ——Deep Potential Molecular Dynamics（DeePMD）方法，能够在多种系统中高效、准确地预测原始数据，并且与系统规模呈线性比例。

Jul, 2017

通过引入机器学习方法，NeuralMD 首次提出了一种能够促进分子动力学和提供准确的蛋白质 - 配体结合动力学模拟的机器学习代理模型，该模型在提高效率方面展现出非凡的成果，并通过稳定度指标超出其他机器学习方法高达 80% 的表现，更具稳定性的蛋白质 - 配体结合预测。

Jan, 2024

通过生成新的数据集 Transition1x 并在其中训练机器学习模型，研究发现传统的计算化学数据集不能有效帮助模型精确学习过渡态区域的特征，该数据集将成为开发下一代分子动力学力场的重要一步。

Jul, 2022

通过反向扩散实验，我们提出了一种新颖的统计方法，利用生成扩散模型去除杂乱输入，从而学习简化的伪势能面，省去非平衡结构的计算，实现在计算化学中找到非平衡结构的平衡状态。

Apr, 2024

本文介绍一种基于神经网络的 Boltzmann 生成器，以取代传统 molecular dynamics 方法，加速复杂大分子如蛋白质的能量表面探索。

Feb, 2023