本文通过展示随机化化学反应网络可以实现四种 Boltzmann machine 的方式，提供了一种构建利用原生随机性的化学反应网络作为计算资源的路线图。最后我们对构建的模型进行模拟实验，实现对 MNIST 数字的分类和生成。

Jul, 2017

本文提出了一种基于超图的化学反应网络表示方法，旨在研究反应的统计特性和利用超图嵌入解决反应分类问题。结果表明，超图表示方法具有灵活性、能够保留反应上下文，且能够揭示出传统有向图表示方法无法呈现的隐含特征。

Aug, 2022

本文介绍了如何使用随机量子化动力学来进行信息投影或 E 投影的统计操作，并且应用于人工细胞环境推断问题。

Apr, 2017

本研究提出一种基于强化学习的方法，通过在化学反应路径上识别连接反应物和产物状态的重要配置，产生一系列集中于转化路径的配置集合，并将其在神经网络的偏微分方程求解器中有效地应用，从而得到一个受限背向科尔莫戈洛夫方程的近似解，该解编码了反应的机制信息并可用于评估反应速率。

May, 2023

利用自监督神经网络模型从观察到的轨迹数据中恢复相互作用网络并预测个体动力学的研究，应用于耦合粒子和耦合振荡器（Kuramoto）的两个动力系统。

Oct, 2023

本文介绍了一种新型的深度卷积神经网络结构，它通过在三维空间中顺序放置原子来生成分子平衡结构，该模型估计分子配置的联合概率，并演示了其可以在 C$_7$O$_2$H$_{10}$ 的同分异构体中生成接近平衡的分子。

Oct, 2018

文章提出了一种基于反应网络的算法来解决统计问题，包括推断环境和最大似然估计等方面，可视为 E.T. Jaynes 的统计力学的统计推断的算法解释。

Apr, 2018

论文探讨了如何设计分子系统以展现类似于自主学习的行为，提出了一种可对任意多个输入通道展现自主型 Hebb 学习的化学反应网络，并指出在构建新的化学系统和 DNA 系统中如何实现神经元动力学。

May, 2022

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

文献的主要内容是深度生成建模技术被应用于分子生成和优化，包括使用递归神经网络、自动编码器、生成对抗网络和强化学习等四种技术，并探讨了这些技术的数学基础和优缺点，内容涉及到分子表示和设计中的多个方面。

Mar, 2019