本文提出一种基于 Weisfeiler-Lehman Difference 网络的无模板方法，通过快速定位反应中心并直接枚举产物来有效地探索有机反应产物的可能空间，结果比基于模板的方法更好且速度更快。

Sep, 2017

本研究提出了一种基于图神经网络的模拟器框架，通过学习信息传递来模拟包括流体、刚性固体和可变形材料在内的各种复杂物理现象，模型从单一粒子预测到测试时的数千个粒子，并且能够处理不同的初始条件和数万个时间步骤，具有较强的可靠性与预测能力。

Feb, 2020

本篇研究使用图神经网络对有机化学反应进行建模，通过对四种普遍反应进行分类任务的评估，发现具有预测能力且能够识别影响反应条件的特定图形特征，为推进分子机器学习研究提供了巨大的前景。

Jul, 2020

本论文提出了一种结合了变分自动编码器和基于变压器模型的图卷积和图池化层的方法，直接对图进行操作，能够生成具有可解释特性的潜空间和有效生成分子的模型。

Apr, 2021

提出了一种使用 Transformer 结构的通信信息传递神经网络 (CoMPT), 以加强节点和边之间的消息交互，提高分子图的表示能力，在七个化学性质数据集和两个化学位移数据集上的实验证明了所提出模型的卓越性能。

Jul, 2021

本文提出了一种基于超图的化学反应网络表示方法，旨在研究反应的统计特性和利用超图嵌入解决反应分类问题。结果表明，超图表示方法具有灵活性、能够保留反应上下文，且能够揭示出传统有向图表示方法无法呈现的隐含特征。

Aug, 2022

该研究提出了一种图形变换器结构的分类体系，展示了其在分子预测等方面的潜力，探究了其在处理异质性图形及防止过多压缩等方面的效果，并提供了未来研究的方向和挑战。

Feb, 2023

本次调查论述了机器学习在物理系统建模中的发展趋势，重点介绍了图神经网络加速和基于粒子的方法的发展轨迹，并探讨了一些未被应用于现阶段机器学习方法的模拟方法，这些方法有可能使机器学习方法更准确，更高效。最后，论文展望了这些方法对于科学的机器学习模型提高效率的潜力。

Mar, 2023

用监督学习和高斯过程回归为基础，提出了Sliced Wasserstein Weisfeiler-Lehman（SWWL）图内核来处理具有连续节点属性的大型稀疏图数据集，并成功应用于分子数据集的图分类和计算流体力学、固体力学的图回归任务。

Feb, 2024

这篇论文通过对三维原子系统的几何图神经网络的实证研究，重点研究了不同的规范化方法、图形创建策略和辅助任务对性能、可伸缩性和对称性实施的影响，以指导研究人员选择最佳的分子建模组件。

Jul, 2024