- CheMFi：多样分子的量子化学特性多级数据集
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 - 分子电子结构的多任务学习方法接近耦合群精确度
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 - AdsorbRL：逆催化剂设计的深度多目标强化学习
在清洁能源转型中，开发用于低排放技术的催化剂是一个核心挑战。本文介绍了 AdsorbRL，一种基于深度强化学习的代理机制，旨在通过离线学习 Open Catalyst 2020 和 Materials Project 数据集来识别潜在的催化 - 使用 PySCF$_{ext {IPU}}$ 生成 QM1B
基于 IPU 的数据生成器 PySCF$_{ext {IPU}}$ 被引入，通过利用硬件加速器创造出含有 90 亿训练样本的 QM1B 数据集，演示了通过增加训练数据量而提高性能的简单基准神经网络 (SchNet 9M)
- 可微密度泛函理论的开源基础设施
利用数据学习量子化学计算中使用的交换相关函数已成为近年来越来越重要的问题，为此，我们建立了开源基础设施来训练神经交换相关函数，旨在通过借鉴多个组织所做工作的最新技术来标准化处理流程，我们已将该模型开源到 DeepChem 库中，为可微分量子 - 高效和等变的图网络用于预测量子哈密顿量
本文提出了一种称为 QHNet 的 SE（3）- 等变网络，其利用创新的 QHNet 体系结构实现了效率和等变性，并在 MD17 数据集上表现出可比较于最先进方法的性能，同时消耗 50％的内存。
- 通过位置去噪预测易于获得的几何量子化学性质
本文提出了采用分层去噪方法预测量子化学性质的方法，以优化几何结构为输入，解决高级量子力学计算的不可行性问题，实现了在两个预测任务中取得了较高的准确性。
- 分子表示的几何深度学习
该综述介绍了基于对称信息的神经网络的几何深度学习在分子建模领域的应用，强调了所学到的分子特征和他们与传统分子描述符相互补充的重要性，并给出了该领域未来的发展前景。
- 自适应变分量子本征求解器基准测试
本文研究了采用变分量子本征求解器（VQE）和自适应导数拼装伪 Trotter（ADAPT）方法来计算 H2，NaH 和 KH 等几种双原子分子的电子基态和势能曲线，发现优化方法对计算的影响，而 ADAPT-VQE 方法对优化方法的特殊性更具 - 3DMolNet：分子结构生成网络
使用可变自编码器学习分子的三维结构，实现对分子结构的建模，生成具有结构和组成合法性的分子结构
- 超导量子比特量子计算机上的 Hartree-Fock
通过变分模拟费米子系统，利用 Givens 旋转思想，使用定制化的算法来改善我们的实验的有效保真度，并在对链状分子及联环分子的模拟中建立起基础来扩大更复杂分子的相关量子模拟。
- 量子 Wasserstein 生成对抗网络
提出了第一个设计的量子 Wasserstein 生成对抗网络（WGANs），它已被证明在嘈杂的量子硬件上提高了量子生成模型的鲁棒性和可扩展性，即使是在经典模拟量子系统上也表现出了更为稳健和可扩展的数值性能，实现了一个近似于需要超过 10k - 量子化学模拟的全量子本征求解器
本文提出了一种全量子特征解算法（FQE），用于计算分子的基态能量和电子结构，其中梯度下降迭代深度具有良好的复杂度，并可以在初级量子计算机上实现。
- AAAI分子性质预测：多层量子相互作用建模透视
本研究提出了可推广和可转移的分层图卷积神经网络（MGCN）以预测分子性质。研究中将每个分子表示为图以保留其内部结构，并且通过多级交互从构象和空间信息直接提取特征，从而可以利用多级总体表示来进行预测。实验结果显示 MGCN 具有显著的泛化能力 - MM量子计算时代的量子化学
通过量子计算的方法，操作物质的量子状态，利用其独特特征（例如叠加和纠缠）可以高效准确地模拟许多重要的量子化学问题，本文概述了与量子化学相关的算法和结果，并旨在为既想了解量子计算的量子化学家，也想探索量子化学应用的量子计算研究人员提供参考。
- 量子化学中的自动微分及其在全变分 Hartree-Fock 方法中的应用
本文论述自动微分（AD）在量子化学领域中的应用，展示了用 AD 计算任意参数的渐进值以及优化方法和 DiffiQult 算法的实现。
- SchNet: 用于建模量子相互作用的连续滤波卷积神经网络
应用连续卷积层的 SchNet 深度学习架构能够建模分子中的量子相互作用，从而实现总能量和原子间力的预测，并在平衡分子和分子动力学轨迹的基准测试中取得了最先进的性能。同时，该架构引入了更具有挑战性的基准测试，为进一步研究提供了有价值的方向。
- 大数据与量子化学近似：$Δ$ 机器学习方法
介绍了一种将机器学习纠正与计算便宜且近似的遗留量子方法相加的组合策略，从而实现了对化学热力学性质的高度准确预测，实现了化学精度和低计算成本的平衡。
- 用于量子计算电子结构的 Bravyi-Kitaev 变换
研究了一种基于 Bravyi-Kitaev 变换的费米子系统的新量子模拟方法，其复杂度为 O（log n），适用于量子化学哈密顿量的模拟，该方法比 Jordan-Wigner 方法更高效。
- 走向量子计算机上的量子化学
该论文介绍了如何使用光学实现量子计算机算法，以解决传统计算机上计算分子性质所需的资源呈指数级增长的问题，并在实验上取得了初步进展。