本文介绍了 MolCLR 框架：通过图神经网络的分子对比学习，基于大规模未标记的分子数据集学习不同iable的表征，提供预训练和微调来有效地预测分子性质，实验结果显示该框架在分类和回归任务上显着提高了性能。

Feb, 2021

该研究提出了一种基于MolNet的图神经网络（GNN）模型来获取三维分子的物理化学特性及其非化学键信息，同时该模型在BACE和ESOL数据集的分类和回归任务上皆表现出良好的性能。

Feb, 2022

介绍了 Open MatSci ML 工具包，即可扩展、自包容能力强，并使用 Python 框架基于深度学习模型和方法对科学数据进行处理，特别关注材料科学和 OpenCatalyst 数据集，展示了这一工具包为新机器学习研究人员和OpenCatalyst数据集应用高级机器学习工具等科学挑战提供了无缝的解决方案，并为某些材料的行为提供了建模。

Oct, 2022

本研究提出了一种新的层次流模型（MolHF），用于精准设计具有所需特性的大分子结构，该模型通过多尺度架构构建键和每个尺度的粗糙图结构，在难以应用常规模型的情况下实现了非常好的数据分布建模。

May, 2023

本文提出了一种新颖的、基于分子图像而非化学键的分子表示方法，并称其可以实现相似或更好的分子属性预测结果，表明其拥有超越共价键分子图像的潜力。同时，基于上述发现，本文提出了分子几何深度学习（Mol-GDL）模型，并在14个常用基准数据集上进行了测试，结果表明该模型的效果优于现有的最先进方法。

Jun, 2023

我们报道了一个深度学习模型，Formulation Graph Convolution Network (F-GCN)，可以将个体组分的结构-组成关系映射到整个液体配方的性质上。该模型在电池电解液配方上得到了良好的性能预测结果，包括Coulombic Efficiency (CE)和比容量。

Jul, 2023

该研究提出了MolGrapher方法，通过视觉识别化学结构，构建分子的自然图形表示，并利用图神经网络分类分子中的原子和键节点。实验证明该方法在大多数情况下明显优于传统和基于学习的方法，可用于加快新材料和药物的发现。

Aug, 2023

利用深度学习技术构建的新型机器学习模型，对多种输入数据进行分类任务，包括有机和无机化合物，并在Matbench和Moleculenet基准数据集上进行开发和测试，揭示了化合物的底层模式。该模型在分子和材料数据集上表现出很高的预测能力，并在Tox21数据集上实现了96%的平均准确率，比之前最好结果提高了10%。

Sep, 2023

通过混合物理和几何深度学习，DiffMix扩展了化学混合物的预测建模方法，并提供了在大型化学领域中的低成本优化方法。

Oct, 2023

BAMBOO是一个新颖的分子动力学（MD）模拟框架，通过物理启发的图等变换器架构，集成知识蒸馏方法和密度对齐算法，实现了在锂电池液体电解质中准确预测密度、粘度和离子传导性等关键电解质性质的水平。

Apr, 2024