- 可合成化分子生成的 GFlowNets
通过在化学反应空间中操作，将生成模型扩展到小分子发现中，从而增加了搜索空间的大小，并保持候选分子生成的可合成性，同时对于预训练代理模型和 GPU 加速对接等多个 Oracle 模型都具有良好的表现。
- React-OT: 化学反应中生成过渡态的最优输运
React-OT 是一种快速生成过渡态结构的优化传输方法，在化学反应的探索中具有高准确性和快速推断的潜力。
- 从化学反应知识中学习上下文分子表示
借助自监督学习的 REM0 框架，基于化学反应的上下文，对分子表示学习进行了预训练，提供了富含化学知识的有意义的上下文表示，用于支持各种下游分子任务，同时在活性分析基准中超过了指纹方法。
- 全面化学评估揭示反应预测模型中的陷阱
化学反应预测是近年来机器学习领域引起了重大关注的问题，由于其复杂性及在化学领域中的关键应用。然而，此任务的模型评估往往仅局限于像 top-k 准确度这样的简单度量标准，忽略了模型局限性的细微细节。我们提出了一种新的评估方案，基于现有方法，并 - EquiReact: 化学反应的等变神经网络
在化学反应的推理中，我们引入了一个基于三维结构的反应物和生成物构建的等变神经网络 EquiReact，展示了它在 GDB7-22-TS、Cyclo-23-TS 和 Proparg-21-TS 数据集的活化能预测中的竞争性能，对于原子映射信息 - ReLM：利用语言模型提升化学反应预测
利用语言模型将化学知识编码进图神经网络，提高了现实世界化学反应预测的准确性。
- 复古回退：不确定世界中的合成规划
本文提出了一种新的反合成方法，应用随机过程来考虑不确定性，并提出了一种名为 retro-fallback 的新贪婪算法，该算法在实验室中最大化至少可以执行一个合成计划的概率。通过使用体外基准测试，证明 retro-fallback 通常比流 - KDD具有因果子结构的移位鲁棒分子关系学习
本文提出一种针对分子关系学习中分布变化的稳健模型 CMRL，该模型基于领域知识并构建了结构因果模型（SCM），引入一种新的条件干预框架，并成功地从因果子结构中学习，并减轻了与化学反应表面相关的快捷子结构的混杂效应。
- 基于人工智能的有机化学高超图网络：网络统计和反应分类应用
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。
- Rxn Hypergraph: 化学反应表示的超图注意力模型
采用基于图的分子结构表示的超图注意力神经网络方法解决化学反应表示与性质预测问题，既能增强在通用性、鲁棒性、解释性等方面的考虑，又能达到比其他方法更好的性能与可解释性。
- 经验引导的蒙特卡罗树搜索在反合成规划中的应用
本文提出了一种名为 MCTS 的基于模拟退火算法的反合成规划方法，使用 Experience Guidance Network 从化学合成经验中学习知识，实现有效处理拥有巨大可能性的化学反应，实验结果证明在效率和功效上均优于现有研究成果。
- 化学反应感知分子表示学习
该研究提出使用化学反应来辅助学习分子表示，强制规定化学方程中反应物嵌入和生成物嵌入之和相等，以保持嵌入空间的良好组织，并提高分子嵌入的泛化能力。实验结果表明，该方法在多个下游任务中获得了最先进的性能。
- 钻研分子合成 DAG 图的搜索方法
本论文介绍了一种调用化学反应生成分子的生成模型，并以优化分子合成为目标来提高模型可生成性能。
- 深度 M&M 网络用于高超声速应用：通过神经网络逼近算子预测正常激波背后的耦合流动和有限速化学
使用深度学习技术中的 DeepONet 神经网络表征化学反应的非平衡状态，并提出一种快速计算较为复杂的多物理和多尺度问题的方法，即采用少量的状态变量的稀疏测量数据快速集成到深度学习算法中进行计算。
- ICML基于图神经网络的底物特异性有机反应条件预测
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。
- 分子编辑图注意力网络：将化学反应建模为图编辑序列
MEGAN 是一种基于神经网络的模型，能够预测化学反应的多样化结果并在遇到额外约束时提出可行的替代反应。该模型能够表述反应为一系列的图编辑，实现端到端的反应预测，从而在大型数据集上达到了最新成果。
- 电子路径的生成模型
描述化学反应为分子中电子的逐步重新分配，通过电子路径预测模型 ELECTRO 可以直接学习从原始反应数据中准确预测反应序列。