光驱动有机晶体在光照下可变形，适合制造轻质可控执行器。日本早稻田大学通过机器学习优化分子设计，将阻挡力提升至37.0mN，显著增强了光电机械分子晶体的应用潜力。研究揭示了分子结构与杨氏模量的关系，为材料优化提供了新方法。

本研究提出了HybridLinker框架，旨在提高药物发现中连接体生成的有效性与多样性。通过从预训练的无点云模型中获取多样化的键合拓扑，增强了有点云模型的推断能力。研究表明，HybridLinker的后验采样方法显著提升了分子设计和属性优化的效果。

新型深度学习算法在药物发现中表现优异，但合成难度较大。研究提出了基于分子图的生成模型Modof及其衍生模型，以优化分子设计。此外，开发了基于变分自编码器的GM方法，能够生成高亲和力分子。研究还探讨了生成模型在新晶体结构设计中的应用，提出了生成性层次材料搜索（GenMS），为复杂结构生成奠定基础。

本文综述了扩散模型在图像合成、视频生成和分子设计等领域的应用，探讨了高效采样、改进似然估计及特殊数据处理等研究方向，分析了扩散模型与其他生成模型的结合潜力，指出了当前的局限性及未来研究方向，强调了其在计算机视觉等领域的重要性。

本文探讨了深度强化学习在分子设计中的应用，提出了基于球谐级数的三维分子设计、分层代理方法和生成模型等新策略，显著提高了分子生成的效率和多样性。这些方法在药物发现和材料设计中展现出优越性，推动了计算化学的发展。

本文介绍了多种基于去噪扩散概率模型的生成和聚类方法，如TreeVAE、VaDE和ClavaDDPM。这些模型通过优化潜在表示和引入层次结构，显著提升了聚类和生成性能，尤其在生物医学图像和分子设计领域表现突出。

本文提出了一种基于核熵新颖性得分的多模态生成模型新颖性评估方法，展示了其在检测新颖模式和比较生成模型方面的有效性。同时，探讨了核方法在机器学习中的应用及其在分子设计和数据集压缩任务中的潜力。

本文探讨了利用机器学习和深度神经网络加速量子化学计算的方法。研究者提出了基于QM9数据集的量子哈密顿矩阵预测模型和PhysNet深度神经网络，这些模型显著提升了计算效率和准确性，具有广泛的分子设计和材料开发应用前景。

本文提出了一种新的基于强化学习的分子设计算法ChemRLformer，针对25个分子设计任务进行了深入分析，展示了其在药物发现中的有效性。通过自动奖励配置方法，提升了预测准确性，并为未来的自动化药物发现研究提供了基准。此外，研究探讨了人类偏好与语言模型的对齐，提出的新策略PRO显示出优于现有算法的效果。

本文概述了扩散模型在图像合成、视频生成和分子设计等领域的应用，重点讨论高效采样、改进似然估计和特殊结构数据处理。还探讨了扩散模型与其他生成模型结合的潜力，强调其在计算机视觉和自然语言生成中的广泛应用，指向未来研究方向。

本文概述了扩散模型在图像合成、视频生成和分子设计等领域的应用，重点研究高效采样、改进似然估计及特殊数据处理。探讨了扩散模型与其他生成模型结合的潜力，强调其在计算机视觉和自然语言生成中的广泛应用，并指向未来研究方向。

本文介绍了多种基于机器学习的三维生成模型，如DiffSBDD和BindDM，这些模型通过自适应提取结合位点信息，生成高亲和力的小分子配体，展现出优越的效率和多样性。同时，研究探讨了AutoFragDiff和DiffDock模型在分子设计中的应用，强调生成分子的几何性质和结合能力。

本文介绍了一种新型扩散模型，解决了3D分子生成中的分子间关系和探索不足问题，表现优于现有方法。同时，研究提出了多种生成对抗网络和领域自适应技术，显著提升了生成质量和训练效率，推动了分子设计和无监督领域适应的发展。

本文提出了一种新颖的库普曼可逆自编码器（KIA）模型，结合前向和后向动态，显著提高了非线性动态系统的长期预测准确性和抗噪性。在摆和气候数据集上的验证显示，KIA的长期预测能力提升了300%。此外，基于库普曼的生成框架和核弹性自编码器（KAE）在分子设计等领域也展现了应用潜力。

该论文提出了一种潜在提示Transformer模型，用于解决分子设计等优化问题。该模型由潜在向量、分子生成模型和属性预测模型组成，实验证明其在分子设计任务上表现出最先进的性能。

该文章介绍了一种用于分子设计的新型Transformer生成模型的微调方法，可以生成具有期望属性的分子结构。该方法在生成多种生物目标活性化合物方面表现出优秀性能，并且可以捕捉分子结构序列中的长期依赖关系。通过验证，该方法在性能上优于基准的基于RNN的方法，可用于脱轴融合，库扩展和生成对生物目标具有高预测活性的化合物。