本文探讨了先进计算方法在分子模拟和物理化学属性预测中的应用，包括增强采样、深度学习和生成模型。研究表明，机器学习技术可以提高分子构象预测的精度，并提出了优化采样效率的新数据驱动方法，尤其在处理噪声数据时表现优越。这些方法为理解复杂系统机制提供了量化评估。

本文介绍了利用合成的原子级数据作为神经网络原子间势函数的预训练任务，可以提高计算实践中的数值精度和稳定性。作者通过一系列与碳相关的等变图神经网络势函数进行可行性验证，并进行了初步实验来测试该方法的局限性。