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

使用分子动力学仿真和可微重要性抽样训练神经网络势能，可以开发出准确和高效的蛋白质粗粒化表示方法，在预测蛋白质动力学、折叠和相互作用等方面具有重要应用价值。

Jun, 2023

利用能量守恒定律，我们开发了一种高效的梯度域机器学习方法（GDML），使用极少量的来自从头算分子动力学（AIMD）轨迹的样本构建准确的分子力场。这种方法可以在训练时仅使用 1000 个构象几何结构，以 0.3 kcal/mol 的能量准确度和 1 kcal/mol・Å^-1 的原子力准确度再现中等大小的分子的全局势能面。该方法使得分子动力学模拟可以像高级从头算法方法一样具有准确性和可转移性，同时减少了计算代价。

Nov, 2016

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

基于机器学习的势场吸引着越来越多的关注，因为它们能够以量子级准确度跨越经典间原子势场的时空尺度。本研究利用密度泛函理论计算和实验测量的力学性能及晶格参数来训练钛的机器学习势能模型，证明了融合数据学习策略能够同时满足所有目标要求，从而获得比单一数据来源训练的模型更高准确性的分子模型。该方法适用于任何材料，可作为获取高度精确机器学习势能的通用策略。

Aug, 2023

本文总结了机器学习在计算化学中的应用，包括基于机器学习的力场构建、相关的统计关系和挑战，并提供了从零开始构建和测试它们的逐步指南。

Oct, 2020

本文提出了一种基于条件深度生成图神经网络的分子构像生成方法，可以在数据驱动的基础上直接学习生成符合能量有利的、更可能在实验中被观察到的分子构像，相较于传统力场方法生成的构像更加接近于参考构像，并且保持着几何多样性，可以提供传统力场方法的初始坐标。

Mar, 2019

分子构象生成的新方法通过将分子的反积分过程视作对由分子所组成的原子施加逐渐增加的力场，从而使原子间距的变化分布从高斯分布向麦克斯韦 - 玻尔兹曼分布转变，该生成模型保证了可行的原子间距几何，并且具有时间可逆性。实验结果表明，该方法相比最先进的技术具有优势。

Sep, 2023

本文综述了基于分子动力学模拟和溶液实验数据的生物分子力场方法，讨论了该方法的机器学习相关问题和挑战。

Apr, 2020