使用 KREED（Kraitchman 反射等变扩散）模型，可以根据分子公式、转动惯量和未签名的同位素置换坐标来推断分子的完整三维结构，该模型在 QM9 和 GEOM 数据集上以 > 98% 的准确率确定了正确的三维结构，并且在实验测定的取自文献的置换坐标测试集中，KREED 在 33 个案例中的 25 个案例中预测出正确的全原子三维结构，证明了其在旋转光谱学中的实验适用性。

Oct, 2023

通过应用结构化注意力机制的机器学习方法，加强了对红外光谱特征和分子结构之间关系的解析，提高了预测准确性，鲁棒性和解释性，为解析复杂分子相互作用提供了可扩展和高效的范例。

Feb, 2024

本文介绍了一种用于 GC-EI-MS 数据的基于机器学习的新型的 de-novo 方法，主要解决由于缺乏附加信息而导致的质谱数据的结构鉴定问题。

Apr, 2023

本文提出了一种基于机器学习的策略来预测分子红外光谱的方法，建立在从头分子动力学模拟的基础上，利用各种机器学习技术加速模拟并扩展可处理的系统大小，其中包括环境依赖性神经网络电荷的分子偶极矩模型和 Behler 和 Parrinello 的神经网络势能。通过引入完全自动化的采样方案和神经网络势能训练期间的分子力，我们能够仅基于少量的电子结构参考点来获得非常精确的机器学习模型，同时在甲醇分子，含有多达 200 个原子的正构烷和质子化的丙氨酸三肽的情况下，将其应用于模拟红外光谱，并发现与理论和实验光谱具有出色的一致性。

May, 2017

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

使用基于机器学习的方法，对 20,000 个小有机分子的低 - 激发垂直电子光谱进行了预测，并通过 CC2 频谱和基于 TD-DFT 方法的频谱偏差进行训练，发现通过所得数据可以更准确地进行预测。

Apr, 2015

通过图形表示或图像识别分子的化学结构是一项具有挑战性的模式识别任务，在药物开发方面具有很大的好处。我们提出了一种新的化学结构识别工具，该工具提供了最先进的性能，并可以适应少量数据样本和监督下的新领域。与以前的方法不同，我们的方法提供了原子级定位，因此可以将图像分割成不同的原子和键。我们的模型是第一个只使用 SMILES 监督进行原子级实体检测的 OCSR 模型。通过严格和广泛的基准测试，我们证明了我们的化学结构识别方法在数据效率、准确性和原子级实体预测方面的卓越性。

Apr, 2024

通过使用数字化工具和分析技术，例如化学计量学、机器学习、拉曼光谱、近红外光谱和质谱等，我们可以快速评估新产品对环境的潜在毒性，并可以精确鉴定和定量洗涤剂产品的成分，从而节省时间并改善污染物鉴定和污染评估的效率。

Oct, 2023

提出了一种新的 X 射线显微光谱数据表达模型及专用反混合框架，可可靠地检索材料的化学状态，即使在信噪比低和重叠光谱特征等挑战条件下，也能准确识别复杂和异质样品中的化学状态。

Aug, 2023

该研究提出了一种新的实验方案，可以对高速异构体进行灵敏、高精度的激光光谱研究，其中利用混合密度网络（MDN）对结果进行预测和修正，在不需要冷却技术的情况下，直接在高能束流上进行原位光谱研究，是研究核结构、星际物理和新物理探索等领域中有市场价值的研究。

Apr, 2023