本文介绍了一种基于监督学习方法的量子哈密顿矩阵预测模型，该模型利用 QM9 数据集中的分子动力学轨迹和稳定分子几何结构生成了一个准确的 QH9 量子哈密顿矩阵数据集，并设计了各种不同分子的基准测试任务，该模型可对任意分子预测哈密顿矩阵，并在分子设计和材料设计领域具有广泛的应用前景。

Jun, 2023

我们提供了七个新颖数据集，覆盖了超过 1 亿个分子和 3000 个任务，用于支持分子学习的基础模型的开发，并介绍了一个简化构建和训练分子机器学习模型的图形机器学习库。通过在大量的量子数据上进行训练，我们实证观察到在低资源的生物学数据集上的表现得到改善，这表明在基础模型上进行多任务和多层训练，并对资源受限的下游任务进行微调可能具有潜力。

Oct, 2023

用于训练任何神经网络架构的新的数据集压缩方法 (DQ) 能够通过压缩大规模数据集生成精简小数据集，实现了无损模型训练的最新压缩比，可用于视觉任务和语言任务。

Aug, 2023

密度泛函理论准确预测分子的量子化学性质，但其计算规模与电子数量的立方成正比。Sch"utt 等人成功地通过神经网络以 1000 倍的速度近似 DFT。在扩展到更大分子时，最大的问题是 DFT 标记的成本。我们的方法在 31 小时内实现了可比较的性能。

Feb, 2024

提出了一系列以数据为中心的启发式方法来改善机器学习系统在量子信息科学问题上的表现。具体而言，我们考虑如何通过系统地构建训练集来显著提高用于量子状态重构的预训练神经网络的准确性，而不改变底层架构。

Jan, 2022

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

本文介绍了首个大规模 MNISQ 数据集，用于量子和经典机器学习社区在嘈杂中间规模量子时代的研究。该数据集包括 495 万个数据点，由 9 个子数据集组成，并提供了量子表单和量子编程语言形式的数据。同时，在对量子回路数据分类方面，我们测试了包括量子核方法和经典模型在内的多重模型，结果表明量子电路具有量子优势，同时现有的机器学习方法也可以对其进行准确分类和识别。

Jun, 2023

本研究探讨了利用基于张量网络的生成模型在分子发现问题上的应用，并将其与其他模型进行了比较和评估，结果表明通过模型的组合可以取得更好的结果，提高了经典和量子 (- 启发式) 生成学习的统一性。

Apr, 2023

使用领域知识为 Qm9 数据集的分子离子化能量预测选择高效的训练集和 ML 技术，通过最大化训练集中分子的多样性，提高线性和非线性回归技术（如核方法和图神经网络）的鲁棒性，并基于速率扭曲解释框架的模型不可知解释器来检查图神经网络的预测可靠性。

Jun, 2023

使用可解释的人工智能技术对从 20 个真实数据集生成的合成数据进行分析，探究了一种混合量子 - 经典神经网络生成模型的特点和适用性，并与处理类别不平衡的最先进方法进行比较。

Aug, 2023