本研究提出了一种新算法，利用神经网络处理分子图结构，成功构建和预测高达186维的势能面，解决了高维分子和材料系统的挑战。

该文介绍了在Autoregressive Diffusion Models中引入鉴别器指导的方法，使用最优鉴别器可以纠正预训练模型并从底层数据分布中精确采样。作者提出了一种顺序蒙特卡罗算法，可以在生成过程中迭代地考虑鉴别器的预测。作者在生成分子图的任务上进行了测试，展示了鉴别器如何提高生成性能，超过仅使用预先训练的模型。

本文介绍了基于蒙版图建模的自监督表示学习在分子图领域的表现，并探索了引入表达力强的解码器对于自编码器表示学习的潜力。提出了一种新颖的蒙版图建模方法 SimSGT，并实验证明其优于现有的分子自监督学习方法。

该研究提出了一种名为MGSSL的基于图形的自我监督学习方法，用于分子数据。他们使用自生成基元的预训练框架来捕获分子图中的信息，并在不同的下游基准任务上进行了广泛实验，表明该方法优于所有最先进的基线。

LSL-GFN是一种新型概率模型，使用温度作为输入，加速训练temperature-conditional GFlowNets，能够生成分子图等组合结构，在多个生物化学任务中表现更好。