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HybridLinker框架，旨在解决药物发现中连接体生成的有效性与多样性之间的平衡，显著提升分子设计与属性优化的效果。

我们介绍了一种新型Transformer模型的微调方法，用于分子设计。该模型相比RNN表现出优秀性能，能够生成具有期望属性的分子结构。该方法可用于脱轴融合、库扩展和生成高预测活性的化合物。

基于变换器结构的核弹性自编码器（KAE）是一个自我监督的生成模型，解决了生成和重构的挑战，并在分子设计中取得了显著的多样性和完美的重构。KAE实现了条件生成和优于训练数据集的性能。预计KAE可应用于解决生成问题。

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。

该文介绍了基于强化学习的分子设计算法ChemRLformer，通过广泛实验发现了该领域的独特见解，并展示了其在文本分子设计中的最新成果。同时，揭示了文本分子设计中的有用设计选择。