本文介绍了一种新算法Allegro，基于等变深度学习，能够高精度预测分子和材料的能量与原子力，并支持大规模并行计算。研究结合机器学习与消息传递神经网络，提出了新的原子势函数框架，展示了在材料科学中的应用潜力，并强调了全面训练数据对自由能预测的重要性。

本文介绍了一种新的蛋白质三维结构估计框架，结合深度学习和机器学习技术，从冷冻电镜图像中高效重建蛋白质结构。研究提出了多种方法，如cryoDRGN、图形神经网络和FFF，显著提高了结构预测的准确性，并解决了现有方法的不足。未来需进一步整合冷冻电镜数据与其他数据源，以推动该领域的发展。

本文介绍了一种新算法Allegro，基于等变深度学习，能够高精度预测分子和材料的能量及原子力，并支持大规模并行计算。同时，研究探讨了量子极限学习机的潜力与限制，并提出了谐波分子表示学习方法，展示了其在分子表示学习中的多功能性。

本文探讨了利用少量原子力显微镜（AFM）图像进行生物细胞表面分析的方法，并提供了机器学习分析的通用模板。同时，研究介绍了多视图神经网络在微纳米结构重建中的应用，强调了统计显著性分析的重要性。

本文介绍了一种新颖的方法cryoDRGN，通过深度神经网络在傅里叶空间编码结构，对冷冻电镜图像进行连续体蛋白质结构建模，实现了3D蛋白质复合物的重建。

该文介绍了一种力导向的预训练模型，用于处理平衡和非平衡数据的三维分子构象。该模型通过学习非平衡数据的原子力，并引入零力正规化和基于力的去噪技术，将非平衡力转化为近似平衡力。该预训练模型在三维分子表示方面具有统一的作用，并且相比未经预训练的等变变压器模型，力的准确性提高了约3倍。此外，通过在平衡数据上添加正规化项，解决了原始等变变压器中不稳定的分子动力学模拟问题。该模型的推理时间比NequIP快2.45倍，并且在属性预测任务上达到了最先进的性能水平。