- 药物设计中的扩散模型
扩散模型在 3D 分子生成方面已经成为强大的工具，特别是在药物发现领域。这篇综述着重于定制 3D 分子生成的扩散模型的技术实现，比较了各种用于分子生成任务的扩散模型的性能、评估方法和实现细节，并探讨了扩散模型在药物设计以及与计算化学相关的领 - SE3Set：利用等变超图神经网络进行分子表示学习
我们在这篇论文中开发了 SE3Set，这是一个针对高级分子表示学习量身定制的 SE (3) 等变超图神经网络架构。SE3Set 的出色性能突显了其在各种分子结构上的转化潜力，为计算化学提供了一条更准确和物理细致建模的途径。
- 逆扩散的分子松弛及时间步预测
通过反向扩散实验，我们提出了一种新颖的统计方法，利用生成扩散模型去除杂乱输入，从而学习简化的伪势能面，省去非平衡结构的计算，实现在计算化学中找到非平衡结构的平衡状态。
- Leap：中间体辅助的分子合成可行性评分
该研究通过 GPT-2 模型来预测化合物的合成路径，并综合考虑关键中间体的可用性，从而在鉴别可合成分子时表现出色，与其他评分方法相比，AUC 分数至少提高 5%。
- 玉米导航：用于分子模拟的循环和条件计算图
Maize 是一个基于流程编程原理的工作流管理器，可以执行任意图结构，并在计算化学、分子模拟和计算药物设计等领域展现出良好的效果。
- 扩散驱动的分子构象预测生成框架
借助深度生成网络，本文提出了一种新颖的生成框架 —— 方法，在计算化学和药物开发领域推动了从二维分子结构推断三维分子构型的精确性，通过一个马尔科夫链过程，将随机噪声的分布转化为连贯的分子形式，并在尊重特定要求的基础上通过一个精心设计的双层优 - 机器学习提高密度泛函近似的准确性
机器学习技术在计算化学中的应用被认为是加速原子模拟和材料设计的无可或缺的工具。此外，机器学习方法有潜力提高计算效率高的电子结构方法（如密度泛函理论）的预测能力，纠正密度泛函方法中的基础错误。本文回顾了机器学习在提高密度泛函和相关近似方法准确 - MLatom 3: 机器学习增强的计算化学模拟和工作流平台
MLatom 3 是一个开源软件包，利用机器学习增强了计算化学模拟和创建复杂工作流的能力。
- 数据驱动的晶体结构预测的潜在保守目标模型
在本文中，我们通过建立基于现有晶体结构数据库的晶体形成能量的代理模型，并对其参数进行优化的方法，提出了一种替代的数据驱动晶体结构预测方法。通过在晶体结构的非欧几里得空间中进行优化，我们展示了该方法在结构预测成功率方面与最佳现有方法相当，并大 - 结构与属性：化学元素嵌入和深度学习方法用于准确预测化学性质
利用深度学习技术构建的新型机器学习模型，对多种输入数据进行分类任务，包括有机和无机化合物，并在 Matbench 和 Moleculenet 基准数据集上进行开发和测试，揭示了化合物的底层模式。该模型在分子和材料数据集上表现出很高的预测能力 - xxMD：利用超越平衡态的扩展动力学方法对神经力场进行基准测试
我们引入了非绝热动力学推导的 xxMD（Extended Excited-state Molecular Dynamics）数据集，该数据集包含了通过多参考波函数理论和密度泛函理论确定的能量和力，并且其核配置空间真实地描绘了化学反应，使得 - ICML分子不确定性估计：要求和方法
本研究使用以图神经网络为代表的机器学习技术对分子动力学进行高效计算，提出了一种新的基于高斯过程扩展的局部神经核，开创了分子力场不确定性估计的先河，实验结果表明该方法性能明显优于现有技术。
- 催化蒸馏神经网络用于少量催化剂开放挑战
本文介绍了 2023 年的 Few-Shot Open Catalyst Challenge，通过 MLP-Like 技术和 Catalysis Distillation Graph Neural Network (CDGNN) 框架来解决 - 图神经网络中条件方法的探索
本研究针对使用节点和边缘属性提高图神经网络性能的三种条件方法（弱条件、强条件和纯条件）进行了实证研究，并将其应用于计算化学的多项任务进行分析。
- MACE：用于快速准确势场的高阶等变消息传递神经网络
本研究提出了一种使用更高级别信息的 MPNN 模型：MACE，通过使用四体信息代替两体信息，在 rMD17, 3BPA 和 AcAc benchmark 任务上实现了与或高于最新技术水平的精度并且能够快速且高度可并行化。
- 使用深度学习解决薛定谔方程的黄金标准解：需要多少物理学知识？
本文介绍了一种使用深度学习和蒙特卡洛方法结合的新型架构，能够以更低的计算成本（为以前方法的 6 倍）获得更高的精度（错误能量降低了 40-70%），并且为许多不同的原子和分子计算了迄今为止发表的最精确的变分基态能量。作者还系统地剖析了提高物 - ICML分子构象生成的梯度场学习
本文研究计算化学中的分子构象生成问题，提出一种基于力场方法和评分生成模型的新方法 ConfGF，通过直接估计原子坐标的梯度场直接生成稳定构象，实验结果表明 ConfGF 明显优于现有的最新基线。
- 结合机器学习与计算化学以预测化学系统的观察结果
新颖的应用机器学习与计算化学方法在分子建模、材料建模、药物设计等方面取得了可靠且富有洞见的预测结果。
- 机器学习力场
本文总结了机器学习在计算化学中的应用，包括基于机器学习的力场构建、相关的统计关系和挑战，并提供了从零开始构建和测试它们的逐步指南。
- ICML一种基于图形的框架用于反合成预测
本文提出了一种基于分子图转换的无模板逆合成预测方法 G2Gs，可以将一个目标分子图转化为一组反应物分子图，通过识别反应中心将目标分子图分解为一组合成子，再通过图形翻译技术将它们转化为反应物图。实验结果表明，G2Gs 的表现接近于最先进的基于