- ICMLGeoMFormer：一种用于几何分子表示学习的通用架构
通过 GeoMFormer 这一基于 Transformer 的分子模型，在维持和学习不变和等变表示的同时，通过精心设计的交叉注意力模块实现信息融合和增强几何建模，以提高不同类型和规模的不变和等变任务的性能。
- 一种高效的基于正规化流的薛定谔方程解决方案的理论框架
通过利用范畴学可解的问题，本文解决了量子力学中求解电子薛定谔方程的问题并提出了一个高效的方法。
- 带有量子隐藏演化的神经控制微分方程
引入一类受量子力学启发的神经控制微分方程，称为神经量子控制微分方程（NQDEs）。通过类比薛定谔方程，NQDEs 模拟动力学。具体地，隐藏状态代表波函数，其塌缩解释了分类概率。我们在一个玩具螺旋分类问题上实现和比较了四个 NQDEs 变体的 - 速通与路径积分
该研究论文探讨了速通作为经典模拟下量子力学简化版本的表示，消除了计算限制导致量子力学从经典力学模拟中出现的更广泛观念，通过使用路径积分的数学表示来构建这两个领域之间的桥梁，同时还分析了将此方法作为机器学习技术和游戏模拟之间最优策略的中间层， - 引入第一原理计算：TeNP - 链社交动力学模拟中群体动态和社会现象的新方法
该研究论文提出了一种创新的跨学科方法论，通过将量子力学的基本原理应用于研究特鲁米纳米颗粒（TeNPs）和石墨烯等材料以及社会系统的复杂动态之间的差距，构建了隐喻性的相似性。该研究论文探讨了共享相同信仰和价值观的群体中，TeNPs 中共价键的 - 用 Hermite 神经网络模拟求解 2 维薛定谔方程
本文旨在使用混合神经网络和 Hermite 函数基于偶极矩的杂化节点方法解决带有足够精度的 Schrodinger 方程问题。
- 光学量子感测在不可知环境中的深度学习应用
通过引入基于深度学习的量子感测方案（DQS），光学量子传感器在未知环境中达到 Heisenberg 极限，利用图神经网络预测器和三角插值算法实现对光学装置与量子费舍尔信息之间的内在关系的发掘，从而加速光学量子感测任务并促进深度学习与量子力学 - 神经算子的散射问题
最近，机器学习的最新发展提出了一种被称为神经算子的神经网络架构，能够近似函数空间之间的映射关系。我们以应用于基础物理学为目标，研究了它们在量子力学的散射过程中的应用。我们使用傅里叶神经算子的迭代变体来学习 Schrödinger 算子的物理 - 深层随机力学
本文介绍了一种基于深度学习的方法，用于时间演化的薛定谔方程的数值模拟，并赋予了随机力学和生成扩散模型的思想。使用我们的方法，可以根据扩散过程来适应波函数的潜在低维结构，具有更低的计算复杂性，也提出了用于随机量子力学的新方程，并进行了数值模拟 - 发现自然定律的机器学习
提出一种基于达尔文自然选择原理的计算模型，通过决策树和值函数树重建实体的轨迹，提供了一种通过机器学习学习观测历史数据、发现自然法则的算法模型。
- 用于乳腺浸润性导管癌分期的混合经典 - 量子计算
本研究介绍了一种混合经典和量子的方法，使用量子计算技术对乳腺浸润性导管癌进行分期，以解决当前人工智能程序无法提供最佳解决方案的问题。
- 非平衡分子的降噪预训练，用于准确和可转移的神经势
本文提出了基于去噪预训练 (Equivariant Graph Neural Networks) 的新型神经势能预测方法，旨在解决对于大规模、复杂的分子体系建立准确、具有可迁移性的 GNN 神经势能预测模型的问题。实验结果表明，该方法具有很 - MM量子概率哈密顿学习用于生成建模和异常检测
本研究探讨了学习和利用孤立量子力学系统的哈密顿量及其变分热态估计进行数据分析技术的可能性，并使用量子哈密顿基模型的方法进行产生建模，证明可以用混合态表示这样的大型强子对撞机数据。在进一步步骤中，我们将学习到的哈密顿量用于异常检测，表明不同样 - 利用 Sheaf 理论量子化的上下文性和 BERT 模型的指代歧义模型
本文构造了类量子的语境性指称，利用 sheaf 论证明了 BERT 在自然语言语料库中发现了丰富的群体语境性例子，这些例子为未来研究和将量子计算扩展到自然语言处理提供了可能性。
- 人类感知作为量化现象
研究表明，人类感知的量子结构的根源是对自下而上刺激与自上而下认知期望模式的调和，导致了感知的类别化扭曲现象并形成 “quanta”，可用量子原型理论进行建模，而这些 “quanta” 之间存在离散化的距离，导致它们的组合呈现出干涉图案。
- KDD基于物理引导的问题分解：可扩展高维特征求解器的深度学习，以薛定谔方程为例
使用物理知识，提出了基于物理指导的专家混合体（PG-MoE）模型，通过将复杂的高维本征向量预测任务分解为若干简单子任务，提高了计算效率，应用于量子力学中的薛定谔方程求解，相较于传统深度学习方法具有更好的可推广性和更小的网络规模。
- 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量子流学习
研究了基于深度强化学习的流式数据学习，通过连续测量 qubit 以应对不同的噪声模式实现对量子系统进行即时控制，为提高量子技术打下基础。
- ICLR周期性物质生成的晶体扩散变分自编码器
本文介绍了一种基于材料稳定性物理感应偏差的晶体扩散变分自编码器，通过学习稳定材料的数据分布，生成具有物理约束的材料周期结构，其在重构输入结构，生成有效、多样、真实材料以及生成优化特定特性的材料方面胜过现有方法，并提供了标准数据集和评估指标。
- QMugs: 药物类分子的量子力学性质
QMugs 是一个填补了先前缺失的波函数、热力学、能量数据、分子建模等信息的巨型数据集，它拥有用于药物相关分子的 647K 个构象和更多量子力学或者 DFT 计算所需的数据。