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

本文应用监督式机器学习方法将经典粗粒化 (coarse-graining) 重新解释，提出了一种名为 CGnets 的深度学习方法，能够学习细粒度有溶剂共存 (all-atom explicit-solvent) 的自由能函数，并能够捕获多体项。

Dec, 2018

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

本研究探讨了基于微流控芯片的确定性侧向位移分离操作，利用卷积神经网络和人工神经网络学习速度场和关键直径，并结合多目标进化算法构建自动化设计工具。经过测试，在 12 个关键条件下，该自动化组件表现可靠，误差小于 4％。此工具具有广泛适用性，可推广用于其他领域性问题，且可用于类似物理学习的转移学习。

Aug, 2022

金属自旋玻璃体系的动力学模拟中，利用可扩展的机器学习框架通过预测驱动自旋动力学的电子诱导的局部磁场，发展了一种根据局部磁性环境进行磁性描述的神经网络模型，该模型具有很高的精确性和高效性，并应用于具有淬灭随机性质的杂乱非晶常规 s-d 模型的弛豫动力学研究，展示了机器学习模型在大规模动力学建模中对游离磁体的有希望的潜力。

Nov, 2023

材料科学与工程领域的研究主要集中在材料的设计、合成、性质和性能。晶体材料是一类被广泛研究的重要材料，包括金属和半导体。晶体材料通常包含一种名为 “位错” 的不同类型缺陷，该缺陷显著影响材料的诸多性质，包括强度、断裂韧性和延展性。最近，研究人员通过实验表征技术和模拟（如位错动力学模拟）致力于理解位错行为。本文介绍了如何利用语义 Web 技术通过本体对位错动力学模拟数据进行建模。我们通过添加缺失的概念并将其与两个相关本体（即基础多透视材料本体和材料设计本体）进行对齐，扩展了现有的位错本体，从而实现了对位错模拟数据的有效表示。此外，我们展示了一个实际应用案例，将离散位错动力学数据表示为知识图（DisLocKG），展示了它们之间的关系。我们还开发了一个 SPARQL 终端，为查询 DisLocKG 带来了极大的灵活性。

Sep, 2023

通过对扩散模型进行调查，我们希望能更好地理解它们的预测与基于物理计算的结果之间的比较，以利用机器学习来显著加速电子结构计算，而无需昂贵的原理数据集进行训练。我们发现一种流行的扩散模型用于全新分子生成的推理过程可以分为探索阶段和弛豫阶段，其中模型选择原子种类的同时调整原子坐标以找到低能几何形状。随着训练的进行，我们发现该模型最初学习的是位能曲面的一阶结构，然后逐渐学习高阶结构。我们还发现扩散模型的弛豫阶段可以用于对构象进行玻尔兹曼分布采样，并进行结构弛豫。对于结构弛豫，该模型对小型有机分子的能量较经典力场产生的结构低约 10 倍。在密度泛函理论 (DFT) 弛豫中，从扩散生成的结构开始与从经典力场弛豫的结构开始相比，可以使 DFT 弛豫速度提高超过 2 倍。

Nov, 2023

通过引入混合架构来学习分子动力学中的粗粒化力场，以便于能够将粗粒化力场转移到分子系统之间，从而进一步加速模拟的过程。

Jul, 2020

本研究提出了一种混合神经网络和 PDE 方法，用于从运动观测中学习可推广的 PDE 动力学，利用被称为 “神经构成定律” 的新框架，该框架利用严格保证标准构成优先条件的网络架构，在各种大形变动力学系统上验证其可行性，并展示了在新几何、初边界条件、时间范围以及多物理系统等极度不适合范围内的泛化任务上，其准确性优于以前的 NN 方法。

Apr, 2023

提出了 GCDM 模型，该模型采用几何完整的消息传递图神经网络，在 DDPM 框架内宣称新的 3D 分子扩散生成的最新成果，并提供了与分子 DDPM 生成动态相关的物理归纳偏差的初步见解。

Feb, 2023