通过发展自动化平台和应用先进的机器学习算法，本研究通过预测模型来提高色谱过程的效率和质量，使用转移学习技术可以适应不同的柱规格，为传统色谱学挑战提供可扩展的解决方案。

Apr, 2024

通过研究 Transformer 模型在学习 SMILES 的化学结构上的进展与成效，结果表明 Transformer 模型学习分子的局部结构能力较强，但需要更长时间的训练才能理解整体结构和手性，这些发现有望深化化学领域中 NLP 模型的理解。

Mar, 2023

近年来，机器智能在预测电子结构、分子力场以及各种凝聚系统的物理化学性质方面得到了显著增长。然而，对于处理广泛的原子组成和热力学条件的全面框架仍面临重大挑战。本文展望了液态理论在利用最新功能性机器学习进展方面的潜在未来发展。通过发挥理论分析和机器学习技术的优势，包括代理模型、降维和不确定性量化，我们预见液态理论将在准确性、可扩展性和计算效率方面取得显著改进，从而实现在各种材料和化学体系中的广泛应用。

Nov, 2023

使用自监督学习和分子结构内的层次知识，该论文提出了一种新的学习框架，从而可以准确预测分子属性并在各种基准测试中取得竞争性表现。

Nov, 2023

本研究基于局部化学环境和贝叶斯统计学习的机器学习模型，提供了一个统一的框架，可以预测原子尺度的稳定性和不同类别的分子的化学精度，可以区分活性和非活性的蛋白质配体，这种方法可以对材料和分子的势能面提供新的洞察。

Jun, 2017

利用机器学习在材料科学领域的成功，我们提出了 PolySRL，通过利用现有的结构信息来学习化学计量的概率表示，并通过对不确定性的分析来揭示化学计量在实际材料发现中的适用性。

Nov, 2023

利用迭代自训练的深度学习模型，我们提出了一种预测原子二维核磁共振（NMR）位移并标记实验光谱峰值的方法，该方法能准确处理中等和大分子，包括多糖。

Mar, 2024

化学反应预测是近年来机器学习领域引起了重大关注的问题，由于其复杂性及在化学领域中的关键应用。然而，此任务的模型评估往往仅局限于像 top-k 准确度这样的简单度量标准，忽略了模型局限性的细微细节。我们提出了一种新的评估方案，基于现有方法，并朝着更全面的评估目标进行改进。我们引入了一些关键组件，包括 CHORISO，一份经过策划的数据集以及多个定制拆分，以再现化学相关的情景，以及一系列度量标准，提供模型优势和局限性的全面视图。利用这种方法应用于当下最先进的模型，揭示了特异性和化学领域外普适性等敏感方面的重要差异。我们的工作为最终能够加速化学发现的强大预测模型铺平了道路。

Dec, 2023

本文旨在提高有机合成中的反应预测的准确性，通过使用多头注意力分子变压器模型，能够在保持普适性的基础上，取得 90% 以上的前 1 准确率和 89% 的准确的不确定性估计得分，而无需手工制定规则。

Nov, 2018

该研究提出了一种可解释的 AI 技术来解释和预测化学模型，能够精确推断分子溶度和物理属性。

May, 2023