FeNNol：一种高效且灵活的用于构建力场增强神经网络势函数的库

PhysNet 是一种深度神经网络，专门用于预测化学系统的能量、力和偶极矩，能够在化学反应和长程相互作用中表现出色。

EANN 是一种高效的机器学习模型，用于发展高维势能面，具有更高的准确性和效率，能够加速分子动力学和光谱模拟。

FermiNet-ECPP 是基于神经网络的模型，结合深度学习技术和有效芯势方法，用于计算 3D 过渡金属原子及其氧化物的基态能量。

ForceNet 是一种图神经网络模型，通过物理数据增强训练，能够更精确地预测原子力，开辟了新的研究方向。

MolNet 是一种图神经网络模型，用于获取三维分子的物理化学特性，在分类和回归任务中表现良好。

PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标被提出，以改进药物发现过程中分子属性预测的性能。

研究强调了全面训练数据在准确自由能态势预测中的重要性，并指出机器学习势能在自由能计算中的限制。

TensorNet 是一种新的张量表示神经网络，能够有效降低计算成本并准确预测分子量子量。

第四代高维神经网络势方法结合环境依赖型原子电负性，能够改善全局电荷分布的描述，广泛应用于化学和材料科学。