TensorFlow Quantum是一个开源库，支持快速原型设计经典或量子数据的混合量子-经典模型，并提供高级抽象来设计和训练区分性和生成性量子模型。该库的功能包括超导量子分类和控制，噪声型和最优化截断模拟以及类似神经网络的混合量子-经典模型的层次学习和Hilbert空间的量子分类；旨在为量子计算和机器学习提供必要的工具，发现潜在的量子算法。

Mar, 2020

本文通过使用神经网络替代密度泛函理论中的交换-相关泛函来提高模拟精度，表明此方法可通过少量的实验数据点来处理包含新键和原子的化合物集合。（Keywords translated to: ab initio模拟、机器学习、神经网络、量子化学建模、原子化能）

Feb, 2021

利用深度学习的变分蒙特卡罗方法（DL-VMC）预训练模型，结合改进的几何嵌入架构和SE(3)-等变模型来表示分子轨道, 在大量化学多样性分子集上进行自我监督波函数优化，在没有任何优化的情况下，获得胜过CCSD(T)-2Z等传统方法的波函数和绝对能量，并通过少量微调步骤获得精确的相对能量，提高了零编辑准确性。

Jul, 2023

基于机器学习的原子间势函数已经在原子级材料建模领域产生了巨大的影响，但是这些势函数的质量和数量对应的量子力学参考数据至关重要，因此开发数据集和训练流程成为一个日益重要的挑战。我们在这篇论文中展示了利用合成的原子级数据作为神经网络原子间势函数的预训练任务是有益的。经过大规模的合成数据集的预训练后，这些模型可以在更小的量子力学数据集上进行微调，提高计算实践中的数值精度和稳定性。我们通过一系列与碳相关的等变图神经网络势函数进行可行性验证，并进行了初步实验来测试该方法的局限性。

Jul, 2023

用于分子动力学模拟的多时间步积分器的机器学习插值势具有比传统势能更广泛的适用性，通过联合训练两种机器学习插值势进行尺度分离可以实现显著的加速和无损的精度。

Oct, 2023

通过使用主动学习 (AL)，可以以经济的时间和资源投入及最少的人工干预构建具有鲁棒数据效率的潜力。实现了构建可靠的数据高效势能，并在牵引谱模拟、生化分子构象搜索和Diels-Alder反应的时间分辨机理研究中展示了该协议的多功能性。

Apr, 2024

发展了一种统一的机器学习方法，用于有机分子的电子结构，使用CCSD(T)计算作为训练数据，模型在计算成本和各种量子化学性质的预测准确度上优于常用的B3LYP泛函。将模型应用于芳香化合物和半导体聚合物上，对基态和激发态性质进行了验证，展示了其对于复杂系统的准确性和概括能力。

May, 2024

提供了一个综合的多保真度数据集 CheMFi，其中包括机器学习、量子化学、多保真度机器学习方法、基于TD-DFT的不同保真度数据集（STO-3G，3-21G，6-31G，def2-SVP 和 def2-TZVP）以及用于基准测试的多保真度基准模型。

Jun, 2024

该研究解决了计算化学中提高第一性原理方法计算效率与准确性之间的挑战。本文提出的Hessian QM9数据库，包含了在真空及多种溶剂环境下的分子哈希恩矩阵，为机器学习原子间势能的使用提供了更全面的势能表述。实验证明，将势能表的二阶导数纳入机器学习势能函数的损失项显著提高了振动频率的预测准确性，有助于在实际溶剂环境中研究有机分子的性能。

Aug, 2024

本研究解决了机器学习原子势在训练集不足时可能导致在强非谐材料中动态描述不准确的问题。通过将分子动力学与主动学习相结合，该方法有效地提高了数据的利用效率，并能更好地捕捉复杂的相空间区域。研究表明，该主动学习方案能够识别并修正现有方法中的问题，具有重要的物理意义和应用潜力。

Sep, 2024