本研究解决了结构药物设计中的几何建模问题，提出了VLB-最优调度策略，优化了变分下界，显著提升了分子建模效果，PoseBusters的通过率达到95.9%。
湖南大学研究团队提出了基于片段的多尺度分子表征框架t-SMILES，用于解决化学问题中的分子建模挑战。实验结果表明，t-SMILES模型优于基于SOTA SMILES的模型，能够生成有效且新颖的分子。该框架具有三种代码算法，可以避免过拟合并在低资源数据集上保持合理的相似性。t-SMILES模型能够捕捉分子的物理化学性质，并在目标导向任务中表现出优势。然而，t-SMILES的局限性和更复杂分子的实验仍需进一步研究。
本文介绍了多种基于神经网络的分子系统建模方法，如TensorNet、PaiNN和NequIP。这些方法在分子量子预测、光谱模拟和分子动力学中表现优异，显著提升了计算效率和准确性。同时，研究还探讨了等变图神经网络和几何视角下的消息传递策略，推动了材料科学和化学的发展。
完成下面两步后，将自动完成登录并继续当前操作。
