该研究提出了一种物理基于势能和机器学习相结合的可转移模型，可以准确地计算小分子以及生物相关分子之间的非共价相互作用，而且在处理新分子时无需显式的事先参数化。

Oct, 2017

利用连续和可微调的化学自由度在原子材料模拟中引入了化学元素和相应的权重，并对 MLIP 的消息传递和读取机制进行了修改，实现了材料组成状态之间的平滑插值，为优化固溶体组成、进行化学自由能模拟以及表征复杂材料系统的相稳定性提供了新途径。

Apr, 2024

本文利用图神经网络，构建了一种适用于物质结构松弛、动态模拟和性质预测的万能相互作用势能模型，通过对 3100 万理论晶体结构的筛选，最终确定了大约 1578 种稳定的具有异常材料特性的合成材料。

Feb, 2022

这篇研究论文介绍了在凝聚态物理学中，弥合扩散 X 射线或中子散射测量与基于原子对势的预测结构之间的差距的挑战，并探讨了机器学习在解决这一问题上的应用，结果表明这一新的模型在跨越传统类经典原子间势的限制上具有潜力。

Mar, 2024

结合现代科学计算和电子结构理论，基于深度多任务人工神经网络的机器学习模型能够对上千个有机分子的多个电子基态和激发态性质进行预测，从而实现对合成可及的虚拟化合物库的高通量筛选，成本极低且准确度与现代量子化学方法相当甚至更优。

May, 2013

本文研究了无机和杂化固态材料中以原子为中心的配位八面体网络的几何解析、分类和编码，并运用无监督机器学习方法将这些网络进行分类，揭示了所研究的多种材料系统中的结构与特性之间的关系及设计指导原则，这可以为特定结构类型的高通量筛选提供知识支持。

Jun, 2023

本文提出了一种使用基于机器学习思想的高斯近似势的方法，成功地对硅材料进行了量子力学计算，从而在材料领域实现了第一性原理电子结构计算与机器学习的结合。

May, 2018

本文提出并应用了一种基于生成对抗网络的晶体结构生成模型，经过高通量虚拟筛选，成功预测出 23 个具有良好光稳定性和能隙的新型结晶体结构，并在化学空间中发现了未知的化学结构。

Apr, 2020

借助机器学习模型，加速了对高熵材料空间的研究，通过调整和微调预训练的模型，实现了高精度的吸附能推断，并且发现基于环境的能量过滤和少样本微调可以显著改善零样本推断。

Mar, 2024

通过分析 150 个具有 10 个金属节点和 15 个有机配体的假设金属 - 有机框架（MOF）结构，我们比较了不同的 QNLP 模型来处理 MOF 数据集，确定了最有效的方法，并开发了适用于量子电路概率性质的多类别分类模型，展示了使用量子计算进行材料设计的潜力。

May, 2024