本文提出了基于生成模型和等变网络的新方法，以恢复从粗粒度表示到原子层面的原子精确位置信息，并在分子动力学轨迹上进行了三个综合评估，结果表明，与现有数据驱动的方法相比，我们的方法始终能够以显着优势恢复更真实的结构。

Jan, 2022

本研究提出了一种谐波分子表示学习方法，使用分子表面的 Laplace-Beltrami 特征将分子表示为二维黎曼曼 ifold 上的多分辨率表示，同时采用谐波消息传递方法实现更好的分子编码，达到了与当前模型相当的预测能力，优于最先进的深度学习模型的生物蛋白质口袋分类和刚性蛋白质对接挑战，展示了其在分子表示学习中的多功能性。

Mar, 2023

通过生成模型和扩散模型，我们提出了一种新的反映蛋白质映射问题的方法，该方法能够在各种粗粒化模型和蛋白质之间实现通用性和可靠性，并在多种流行的粗粒化模型上展现出卓越的性能，为蛋白质研究提供了一种便捷而可靠的即插即用解决方案。

Oct, 2023

本文通过引入神经网络重整化群的方法来设计一种通用的新型精确全息映射，将一种场论与其在紧致空间背景下发生相互作用的场进行映射，从而确定了一种新的全息对应关系，并在 $\phi^4$ 场论中进行了应用与研究，确定了其弦论对偶模型。

Mar, 2019

本文介绍一种新的分子超图文法变分自编码器 (MHG-VAE)，通过使用一个单一的 VAE 结合基于贝叶斯优化的技术，利用分子超图文法编码硬化学限制来指导 VAE 生成有效的分子，以解决分子优化中的两大挑战：有效性和成本效益。

Sep, 2018

本研究将深度等变神经网络的主要精度、样本效率和鲁棒性推向了极端计算规模，结合创新的模型架构、大规模并行化和为高效 GPU 利用进行了优化的模型和实现，实现了 Allegro 架构的构建，支持描述前所未有的复杂结构中的动力学过程，同时具有了捕获量子真实性的能力，其可扩展性非常高，可以进行数十纳秒的稳定蛋白质动力学模拟，也可以在 Perlmutter 超级计算机上扩展到 4400 万个全原子水合 HIV 衣壳分子，并展示了 1000 万和 5120 A100 GPU 的优异强伸缩性。

Apr, 2023

本文介绍了如何利用 Restricted Boltzmann Machines 模型表示多体系统的相互作用，并且通过离散辅助场将多体接触相互作用分解成一体算子，该方法可以扩展到更复杂的理论中，并提出了该方法在量子退火应用中的一些可能的应用以及如何通过机器学习来优化 RBM 参数。

May, 2020

本文介绍了一种基于 equivariant deep learning 的新算法，Allegro，该算法使用了学习到的等变性表示的张量积序列，实现了对于分子和材料的能量和原子力的高精度预测，并能进行大规模的并行计算和分子动力学仿真。

Apr, 2022

提出了一种叫做 HGDM 的模型，将扩散模型拓展到超螺旋流形上，以便更好地生成化学分子，使用超螺旋嵌入的复杂几何信息实现更好的效果。

Jun, 2023

本文提出了一种名为 “异构分子图神经网络” 的方法，通过建立多种类型的节点和边来构建分子的异构分子图，并考虑到三个或更多原子之间的相互作用，结合神经信息传递机制进行对比化学性质预测，该方法在 QM9 数据集中的 12 个任务中有 9 个达到最优表现。

Sep, 2020