本研究提出了一种新策略，将规则基础模型与可微分神经网络结合，显著提升了19个分子属性预测任务的性能。通过同时训练图变换器神经网络，利用稀疏的多任务实验目标和基于XGBoost模型的合成目标，实现了有效的合成任务增强，无需特征注入或预训练。

本研究探讨了变换器模型在分子属性预测中的局限性，特别是预训练数据集的规模和多样性对模型表现的影响。通过在少量相关分子上进行领域适应性再训练，显著提高了模型在ADME评估指标上的预测性能。

本文探讨了神经网络和变压器模型在分子属性预测中的进展，特别是ChemBERTa和DMP模型在分子表示学习中的应用。研究表明，结合图表示和SMILES序列的预训练方法能显著提升预测性能。此外，AdaMR和Uni-Mol2模型在多个任务中表现优异，MoleX框架则解决了可解释性问题，提升了预测准确性。

本文介绍了多种图神经网络（GNN）架构及其位置编码技术的改进，如LSPE、PEG和SPE。这些新方法在分子属性预测和链接预测任务中显著提升了模型性能，尤其在处理复杂图结构时，展现了更好的泛化能力和训练速度。

本文介绍了基于大型语言模型的研究进展，包括用于聚合物属性预测的Transformer模型、具备多语翻译能力的BigTrans、药物发现领域的Tx-LLM，以及通过多视图方法提升分子属性预测的研究。这些模型在材料科学和交通分析等领域展现了应用潜力。

本文探讨了机器学习在材料建模中应用的原子间势函数，强调量子力学数据对势函数质量的重要性。研究表明，利用合成数据进行神经网络预训练可以有效提升模型在量子数据集上的精度和稳定性。实验验证了该方法在分子属性预测中的优越表现，展现了良好的泛化能力和可转移性。

本文提出了一种基于图神经网络的表示学习方法，用于原子坐标和原子间距编码，并与原子表示融合。在11个下游分子属性预测任务中，该方法在10项任务中都获得了最先进的结果，2D任务平均改进了8.3％，同时在2个三维构象生成任务中也取得了显着的改进。