本研究解决了现有图神经网络方法在处理聚合物时无法提供一致的向量表示的问题。提出的图重复不变性（GRIN）方法，通过结合图最大生成树对齐与重复单元增强，确保聚合物结构的一致性。研究表明，GRIN在同聚物和共聚物基准测试中表现优于现有技术，能够有效地生成稳定的、重复不变的聚合物表示。

本研究提出一种结合深度学习与建模仿真的方法，以提高微流体装置在流变估计中的准确性、尺寸和成本效益，从而增强聚合物熔体粘度测量的灵活性和准确性。

我们开发了一个多模态深度学习框架，通过整合物理和化学数据来预测丙烯酸聚合物复合材料的物理特性。该框架能处理18维数据，成功预测多种物性，展示了分析高维信息的能力，推动了对不同材料和复杂模型的研究。

本研究引入P5模型，通过强化学习提升分子动力学模拟效率，优化聚合物链构象采样，提高效率37.1%。强化学习作为归纳偏置，调节布朗力，引导系统进入优选状态，扩大配置空间探索，生成多样化构象，促进聚合物开发、药物发现和材料设计。

本研究探讨了工业制造中训练数据有限情况下的人工智能模型开发问题。研究发现迁移学习可以降低训练人工智能模型所需的数据量，且使用较小模型不会损失性能。这对应用和潜在影响具有重要价值。

本文介绍了一种使用机器学习方法加速计算大域上长时间尺度下的块聚合物形态演化的方法。该方法利用粒子模拟直接学习随机驱动的缺陷消除过程，通过引入物理概念和数据增强引入对称性，可用于可视化时空演化和研究不同形态限制下的缺陷密度及其演化。

该研究提出了 MMPolymer，一种新颖的多模态多任务预训练框架，结合了聚合物的 1D 顺序信息和 3D 结构信息，以增强下游聚合物性质预测任务。实验证明，MMPolymer 在各种聚合物性质预测任务中实现了最先进的性能。

提出了一种可扩展、高效且可解释的机器学习方法来表示循环塑性并替代基于径向返回映射算法的传统材料模型。该模型结构相对于现有的解决方案更简单、更高效，并能表示完整的三维材料模型。通过验证和测试，证明了该模型的准确性和稳定性。

本文介绍了一种简单的方法，使用自然语言处理和大型通用语言模型从研究论文中提取材料数据建立数据库。该方法无需编程或模型培训，具有高召回率和几乎完美精度。作者评估了多种语言模型，在提取体积模量数据方面表现良好。该方法可扩展到其他研究领域。

本文介绍了一种基于神经型架构的气味学习算法，通过记录气体传感器数据并使用脉冲噪声进行破坏来评估其在线学习和识别性能。然而，研究发现了数据集的局限性和模型的推广能力限制。通过简单的哈希表方法，可以解决该任务并超过报告中的准确性和运行时间。因此，需要对模型进行更全面的验证。

通过云上物理原子模拟和虚拟现实硬件，研究展示了多用户虚拟现实环境中的交互式分子动力学框架，用户能够以原子级精度可视化和尝试复杂分子结构，并与其他用户进行交互。研究表明，在交互式虚拟现实环境中，用户能够更快地完成复杂的分子建模任务，有望加速纳米尺度分子工程领域的进展。

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。