- ICLRF$^3$low: 使用 SE (3) 引导的流匹配的逐帧粗粒度分子动力学模拟
基于 Flow-matching 的 Frame-to-Frame 生成模型 (F$3$low) 扩展了粗粒化建模方法的领域，通过自交叉采样的方式提升了计算生物学中的模拟效率，并且能够广泛探索构象空间。
- 扩散吉布斯抽样
我们提出了 DiGS (一种创新的采样方法) 用于从具有远离和断开模态的分布中进行有效采样。DiGS 通过将扩散模型与高斯卷积相结合，创造了一个桥接原始空间中孤立模态的辅助噪声分布，并且应用了 Gibbs 采样来交替地从两个空间中抽取样本。 - AAAI基于几何优化的去噪扩散模型用于三维分子生成
提出了一种名为几何促进分子扩散（GFMDiff）的新型分子生成方法，通过引入双轨 Transformer 网络（DTN）和几何促进损失（GFLoss）解决了构成二元边和模型分子几何形状的多体间相互关系的建模问题。在现有基准上的全面实验证明了 - 无时间标签下的数据动力系统重建
我们研究了一种从没有时间标签的数据中重构动态系统的方法，并将其作为来自概率分布的样本，通过最小化分布损失，具体而言是切片 Wasserstein 距离，试图重构潜在的动态系统。大量实验结果证明了所提方法的有效性。
- 利用分子动力学模拟和马尔科夫状态建模阐明 Ti-Al 系统的界面动力学
本研究通过分子动力学和马尔可夫状态模型分析阐述了 Ti-Al 基材料中 Ti 和 Al 在 TiAl$_3$ 颗粒边界下热处理条件下的界面动力学行为，并发现了一种由三个阶段组成的扩散机制，该研究对高性能 Ti-Al 基材料的制造过程的控制和 - 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。
- 基于自上而下的机器学习法推导蛋白质粗粒度力场
使用分子动力学仿真和可微重要性抽样训练神经网络势能，可以开发出准确和高效的蛋白质粗粒化表示方法，在预测蛋白质动力学、折叠和相互作用等方面具有重要应用价值。
- 利用机器学习进行增强采样：一篇综述
本文综述了机器学习和增强分子动力学相结合的方法，重点讨论了维度缩减、强化学习和流动方法等方面的成功策略，同时探讨了该领域的开放性问题。
- 基于人工神经网络的石墨烯可靠机器学习势
本文介绍了一种基于神经网络的分子动力学模拟与机器学习结合的方法，用于准确计算和预测石墨烯的热力学性质和力学性能，从而可用于石墨烯材料的设计。
- 数据代价意识的机器学习力场
提出了一种名为 ASTEROID 的多阶段计算框架，可以通过利用便宜但不精确的数据和昂贵而准确的数据相结合来降低机器学习力场模型的数据成本，该方法在分子动力学模拟中取得了良好的效果。
- 基于评分的蛋白质分子动力学增强采样
本文介绍了一种新型的蛋白质构象采样方法，它使用基于分数的生成模型（SGMs）训练的多层分数函数直接采样构象，以弥补传统 MD 仿真过程中采样样本不足的问题，并通过在多个基准系统上进行比较，证明了该方法的有效性。
- 无分子的分子动力学：利用生成神经网络搜索蛋白质构象空间
利用人工智能和生成神经网络对蛋白质的分子动力学进行建模，将分子动力学的轨迹用 Ramachandran 盆类的向量表示，无需使用物理粒子，模型可以扩展无限，并能够完整地模拟蛋白质的构象空间。
- 使用长短时记忆模型预测 GPCR 分子动力学中 3D 氨基酸位置
本研究评估了长短时记忆网络 （LSTM）学习和预测受体的分子动态轨迹的能力。实验表明，该方法在分析 G 蛋白偶联受体分子动态时表现出强大的性能，可用于药物预测及蛋白质结构分析等领域。
- TorchMD-NET: 基于等变换形式的 Transformer 用于神经网络分子势能
本文提出了 TorchMD-NET 的结构，即一种新的等变转换器，用于预测量子机械性质，经过权重分析后发现与分子动力学或正常模式采样的构象的学习表示存在差异，同时强调包括不平衡构象的数据集对于分子能量模型的评价的重要性。
- MM通过可微轨迹重加权从实验数据学习神经网络势能
本研究提出了 Differentiable Trajectory Reweighting (DiffTRe) 方法，该方法避免了通过分子动力学模拟进行微分，实现了基于实验数据的神经网络势函数的自上而下学习，并在将其应用于钻石的分子模型和水的 - ICML对称消息传递算法用于张量特性和分子光谱预测
本文介绍了通过使用极化原子相互作用的神经网络（PaiNN）来改善基于消息传递神经网络的分子预测性能，从而实现分子光谱模拟速度的提升。
- TorsionNet: 一种基于强化学习方法的序列构象搜索
本研究介绍了一种基于强化学习的高效串行构像搜索技术 TorsionNet，该方法训练出的模型能够使用 Gibbs 得分作为其目标函数，相较于传统的 chemoinformatics 方法，在构建大分子及生物高分子 lignin 的构象搜索方 - PhysNet：用于预测能量、力、偶极矩和部分电荷的神经网络
该论文介绍了 PhysNet，这是一种设计用于预测化学系统能量、力和偶极矩的深度神经网络，能在化学反应、长程相互作用和凝聚相系统中表现出卓越的性能；研究发现，在能量预测中明确地包含静电作用对于 PES 的渐近区域进行正确描述至关重要，并且 - 机器学习用于长时间分子动力学
以机器学习方法为基础的分子动力学模拟技术被广泛应用于材料学的研究领域，本文探讨了机器学习在长时间尺度分子动力学模拟中的应用与发展，并对其未来研究方向进行了展望。
- 深度生成马尔可夫状态模型
提出了一种深度生成马尔可夫状态模型（DeepGenMSM）学习框架，用于推断亚稳定动态系统和预测轨迹。经过对时间序列数据的无监督训练后，模型可以对长时间动力学进行分析和预测系统演化，同时生成物理合理的结构。