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。

研究表明，图神经网络在预测分子性质方面表现优异，尤其在聚合物的介电常数和能带隙预测中，精度接近DFT结果。新提出的多模态深度学习框架MMPolymer结合1D和3D信息，提升了聚合物性质预测的性能。

SimCLR是一种对比学习框架，通过有效的预测任务和可学习的变换提升自监督学习效果。文章回顾了聚合物信息学的进展，探讨了机器学习在聚合物设计中的应用，如polyBERT和PolyGET等模型，展示了它们在聚合物属性预测和分子动力学模拟中的优势。

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。

本研究利用机器学习优化生物质与聚合物的共热解过程，开发模型预测水炭质量和数量，发现随机森林模型效果最佳。同时，提出基于机器学习的催化蒸汽重整框架，以优化聚合物太阳能电池效率，并探讨农作物产量预测的元模型方法，显示出良好潜力。

本研究提出了一种基于深度学习的本构模型，分析含水量的纳米颗粒/环氧纳米复合材料的循环粘弹性行为。利用长短期记忆网络捕捉应力应变关系，并应用于有限元分析，验证了模型在不同加载条件下的高效性和准确性。数值结果与实验数据一致，显示出该模型的优越性。

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。