Vibrational infrared and Raman spectra of the methanol molecule with equivariant neural-network property surfaces
ELTE, Eötvös Loránd University, Institute of Chemistry（厄特沃什·罗兰大学化学研究所）；Department of Physics, University of Warwick（华威大学物理系）；Warwick Centre for Predictive Modelling, School of Engineering, University of Warwick（华威大学工程学院预测建模中心）
本文利用从头电子结构数据和等变神经网络计算了甲醇分子的电偶极矩和极化率表面，用于计算振动红外和拉曼强度，结果与实验数据高度一致，为甲醇分子的量子动力学模型和天体物理应用提供了重要基础。
2026-04-30 physics.chem-ph
Equivariant neural network for Green's functions of molecules and materials
提出了一种基于等变消息传递神经网络的深度学习框架，通过预测自能矩阵并结合戴森方程，实现了分子和周期系统有限温度格林函数的准确高效预测。
2024-02-19 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Equivariant Energy-Guided SDE for Inverse Molecular Design
Tsinghua University（清华大学）；Renmin University of China（中国人民大学）；Huawei（华为）；Tsinghua-Huawei Joint Center for AI（清华-华为联合人工智能中心）；BNRist Center（北京国家信息科学与技术研究中心）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Key Laboratory of Big Data Management and Analysis Methods（大数据管理与分析方法北京市重点实验室）
逆分子设计在材料科学和药物发现中至关重要，其中生成的分子应满足某些期望的性质。在本文中，我们提出了等变能量引导随机微分方程（EEGSDE），这是一种在扩散模型中能量函数指导下可控3D分子生成的灵活框架。形式上，我们表明，EEGEstrom自然利用的几何对称性在3D分子构象，只要能量函数是不变的正交变换。经验上，在所设计的能量函数的指导下，EEGF-C在针对量子性质和分子结构的逆分子设计中显著地改善了QM 9的基线。此外，EEGF 1能够通过线性组合相应的能量函数来产生具有多个目标性质的分子。
2023-03-01 cs.LG physics.chem-ph q-bio.BM
An Equivariant Pretrained Transformer for Unified 3D Molecular Representation Learning
Tsinghua University（清华大学）；Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院）；Renmin University of China（中国人民大学）；University of Pisa（比萨大学）
本文提出等变预训练Transformer（EPT），一个跨领域三维分子预训练的全原子基础模型，采用块级去噪任务，在589万条多域数据上预训练，显著提升配体结合亲和力预测等下游任务性能，并助力发现新型抗COVID-19药物候选物。
2025-02-24 cs.LG physics.chem-ph
Parity-equivariant prediction of conformer-resolved electronic circular dichroism spectra accelerates absolute configuration assignment
Shanghai Jiao Tong University（上海交通大学）；Shanghai Innovation Institute（上海创新研究院）；East China Normal University（华东师范大学）
PhysECD是一种物理约束的E(3)等变框架，可从分子三维结构直接预测ECD谱，在CMCDS数据集上的皮尔逊相关系数优于现有方法，可用于实时确定手性分子绝对构型。
2026-10-27 cs.LG physics.chem-ph
EquiFlow: Equivariant Conditional Flow Matching with Optimal Transport for 3D Molecular Conformation Prediction
Zhejiang University of Technology（浙江工业大学）；HIM, Chinese Academy of Sciences（中国科学院杭州医学研究所）；University of Chinese Academy of Sciences（中国科学院大学）
EquiFlow提出等变条件流匹配模型，结合最优传输与改进Equiformer，实现快速训练和推理，在QM9上超越现有方法。
2024-12-15 cs.LG physics.chem-ph q-bio.BM
Molecular Dipole Moment Learning via Rotationally Equivariant Gaussian Process Regression with Derivatives in Molecular-orbital-based Machine Learning
California Institute of Technology（加州理工学院）
这项研究扩展了精确和可转移的基于分子轨道的机器学习（MOB-ML）方法，以Hartree-Fock计算为代价来模拟电子相关对偶极矩的贡献。应用基于分子轨道（MOB）的成对分解的相关部分的偶极矩，这些对偶极矩可以进一步回归为分子轨道（MO）的通用函数。偶极MOB特征由能量MOB特征及其对电场的响应组成。为了更有效地学习偶极矩，引入了一种可解释的旋转等变高斯过程回归（GPR）导数算法。所提出的问题设置，功能设计和ML算法，提供了高精度的模型，偶极矩和能量的水和14个小分子。为了证明MOB-ML作为有机分子的分子偶极矩和能量的广义密度矩阵泛函的能力，我们进一步应用所提出的MOB-ML方法来训练和测试来自QM 9数据集的分子。局部可扩展GPR与高斯混合模型无监督聚类（GMM/GPR）的应用将MOB-ML扩展到大数据范围，同时保持预测精度。此外，与文献结果相比，MOB-ML提供了最好的测试MAE为4.21 mDebye和0.045千卡/摩尔的偶极矩和能量模型，分别为110000 QM 9分子训练时。所得到的QM 9模型的良好的可移植性也说明了四个不同系列的肽的准确预测。
2022-05-31 cs.LG physics.chem-ph
Accelerating dynamic polarizability calculations of organic molecules using equivariant graph neural networks
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
提出等变图神经网络直接从分子几何和紫外-可见光谱预测动态极化率张量，在QM9和有机光伏数据集上验证，器件模拟结果与TD-DFT高度一致（R²=0.94），加速有机分子筛选。
2026-10-08 cond-mat.mtrl-sci physics.chem-ph
Incorporating Coulomb interactions with fixed charges in Moment Tensor Potentials and Equivariant Tensor Network Potentials
本文将固定电荷库仑长程静电相互作用显式纳入矩张量势和等变张量网络势，使带电分子有机二聚体的能量拟合误差降低四倍以上，并显著改善结合曲线预测，结果与密度泛函理论一致。
2025-09-19 physics.chem-ph
ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules
本文提出等变几何增强图神经网络 ViSNet，通过向量-标量交互式消息传递以低成本建模分子几何，在多个 MD 与化学性质基准及竞赛中取得领先性能。
2023-08-16 physics.chem-ph q-bio.BM quant-ph
Equivariant Cellular Sheaves for Molecular Electronic Structure: Bridging Sheaf Cohomology and E(3)-Equivariant Hamiltonian Learning
Elkins High School（埃尔金斯高中）
本文提出等变胞层网络，将分子哈密顿量建模为胞层拉普拉斯算子，兼具拓扑性质与E(3)等变性，在共轭分子非键轨道预测等任务上性能更优。
2026-08-26 cs.LG physics.chem-ph
Denoise Pretraining on Nonequilibrium Molecules for Accurate and Transferable Neural Potentials
Carnegie Mellon University（卡内基梅隆大学）
本文提出在非平衡分子构象上进行去噪预训练，通过让GNN恢复被随机噪声扰动的原子坐标来提升神经势能的准确性和可迁移性，实验证明该方法模型无关，并能显著改善在不同分子体系上的微调性能。
2023-07-06 cs.AI cs.LG physics.chem-ph
Nonadiabatic Dynamics of Molecules Interacting with Metal Surfaces: Extending the Hierarchical Equations of Motion and Langevin Dynamics Approach to Position-Dependent Metal-Molecule Couplings
本文将运动分层方程框架内的电子摩擦理论扩展至位置依赖的金属-分子耦合模型，为朗之万动力学引入了新的力贡献，适用于平衡与非平衡态及强相互作用分子模型。
2024-06-05 cond-mat.mes-hall physics.chem-ph
Equivariant message passing for the prediction of tensorial properties and molecular spectra
Technische Universität Berlin（柏林工业大学）；Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所）
消息传递神经网络已成为一种选择的方法，用于学习图，特别是化学性质的预测和分子动力学研究的加速。虽然它们很容易扩展到大的训练数据集，但以前的方法已被证明比内核方法的数据效率低。我们确定的一个主要原因不变表示的限制，并扩展到旋转等变表示的消息传递制定。在此基础上，我们提出了极化原子相互作用神经网络（PaiNN），并对常用的分子基准进行了改进，同时减小了模型规模和推理时间。我们利用PaiNN获得的等变atomwise表示来预测张量性质。最后，我们将其应用于分子光谱的模拟，与电子结构参考相比，实现了4-5个数量级的加速。
2021-06-07 cs.LG physics.chem-ph
Real-time interpretation of neutron vibrational spectra with symmetry-equivariant Hessian matrix prediction
本文提出对称性感知神经网络，由分子结构直接预测 Hessian 矩阵以实时重构中子振动光谱，在小分子训练下达到光谱级精度并可迁移至大分子。
2025-02-18 physics.chem-ph physics.comp-ph
Eigenvalue crossings in equivariant families of matrices
本文将 Wigner–von Neumann 特征值交叉分析推广到具有对称性的等变矩阵族，发现对称性会改变能级交叉的余维数结构，并对三原子和平面分子中的锥形交叉缝汇合现象给出统一分类并预测新类型。
2024-10-23 physics.chem-ph
Extending the Newns-Anderson model to allow nanotransport studies through molecules with floppy degrees of freedom
Newns-Anderson模型在溶剂（外）重组存在下的分子输运研究中是普遍存在的。目前的工作表明，分子内重组也可以通过具有松弛自由度的分子，可以扩展的Newns-Anderson模型的传输显着。由电子结构计算得到的（4，4 '）-联吡啶（44 BPY）的模型参数的表达式，由于分子内强的非谐性，与外重组的模型参数的表达式有定量的不同。这些表达式可以用作实验感兴趣的基于44 BPY的分子结的输运计算中的输入[Science 301（2003）203，J. Am. 130（2008）16045，Nano Lett. 12（2012）354]。
2012-07-31 cond-mat.mes-hall physics.atm-clus physics.chem-ph
Extending the large molecule limit: The role of Fermi resonance in developing a quantum functional group
本研究探索含光学循环中心大分子中的费米共振，发现其导致振动耦合和强度借用，需更多重泵浦激光器，并通过取代或改变中心来减轻影响，为优化光学循环提供新途径。
2023-11-13 physics.chem-ph
VEDA: Generation of 3D Molecules via Variance-Exploding Diffusion with Annealing
University of Science and Technology of China（中国科学技术大学）
VEDA结合退火变方差扩散与SE(3)等价架构，高效生成准确的3D分子结构，实现高化学精度与计算效率。
2026-10-15 cs.AI cs.CV physics.chem-ph
Reflection-Equivariant Diffusion for 3D Structure Determination from Isotopologue Rotational Spectra in Natural Abundance
University of Toronto（多伦多大学）；Vector Institute（矢量研究所）；Intel Labs（英特尔实验室）；University of Virginia（弗吉尼亚大学）
本文提出 KREED 反射等变扩散模型，从分子式、转动惯量和无符号同位素取代坐标推断完整三维结构，在 QM9 和 GEOM 上取得高准确率并验证了实验适用性。
2023-11-19 astro-ph.GA cs.LG physics.chem-ph
Extending Single Molecule Förster Resonance Energy Transfer (FRET) Range Beyond 10 Nanometers in Zero-Mode Waveguides
单分子Förster共振能量转移（smFRET）被广泛用于在分子水平上监测构象和相互作用动力学。然而，常规的smFRET测量在供体-受体距离超过10 nm时是无效的，阻碍了对更大尺寸的生物分子的研究。在这里，我们表明，零模波导（ZMW）孔径可以用来克服10 nm的障碍smFRET。使用优化的ZMW结构，我们证明了标准商业荧光团之间的smFRET高达13.6 nm的距离，具有显着提高的FRET效率。为了进一步突破经典的FRET范围限制，将ZMW与具有多种受体染料的分子构建体组合，以实现高FRET效率以及高荧光计数率。当我们讨论定量smFRET测量ZMW内的一般准则，该技术可以很容易地应用于监测大分子复合物的构象和相互作用与增强的亮度。
2019-07-08 physics.bio-ph physics.chem-ph physics.optics
Fixed-Dimensional Latent Flow for Generating Variable-Size 3D Molecules
Michigan Institute for Data & AI in Society（密歇根数据与社会人工智能研究所）；University of Michigan（密歇根大学）
提出EF-TALFM框架，利用固定维度潜表示和自回归解码生成可变尺寸三维分子，在PCQM4Mv2上实现89.4%的有效率并提升DFT验证命中率。
2026-10-23 cs.LG physics.chem-ph q-bio.QM
Learning Equivariant Non-Local Electron Density Functionals
Technical University of Munich（慕尼黑技术大学）
针对现有交换关联泛函近似精度不足、扩展性差等问题，提出基于等变图神经网络的EG-XC非局域泛函，通过自洽场求解器微分训练，在多数据集上实现更高精度、更优数据效率与分子尺寸外推能力。
2025-05-16 cs.LG physics.chem-ph physics.comp-ph
Carbohydrate NMR chemical shift predictions using E(3) equivariant graph neural networks
RISE Research Institutes of Sweden（瑞典RISE研究院）；Uppsala University（乌普萨拉大学）；Stockholm University（斯德哥尔摩大学）
本研究提出利用E(3)等变图神经网络预测碳水化合物NMR化学位移，相比传统二维模型误差降低最高达三倍，在有限数据下表现优异，为波谱学数据驱动分析提供新方法。
2023-11-21 cs.LG physics.chem-ph
The MC-QTAIM: A framework for extending the atoms in molecules analysis beyond purely electronic systems
分子中原子的量子理论QTAIM通过将分子划分为实空间中的原子盆来识别AIM并量化它们之间的相互作用，它仅限于由作为量子粒子的电子和作为钳位点电荷的原子核组成的纯电子系统。QTAIM的扩展版本，称为多组分QTAIM，MC-QTAIM，绕过了这一边界，使识别AIM和量化它们在由多个量子粒子组成的系统中的相互作用成为可能，电子可能是也可能不是它们的组分之一，为分析奇异的AIM和键打开了一扇新的大门。在这篇文章中，两个假设，称为Bader猜想，BC，和扩展的Bader猜想，EBC，分别被提出作为QTAIM和MC-QTAIM背景下的分子到原子盆地的实空间划分的基石。对由夸克、核子和基本粒子（如μ子和正电子）组成的各种少体量子系统的文献调查也揭示了这样一个事实，即在所有这些不同的系统中存在明确的簇化情况。这些成簇的系统，不管它们的成分如何，都表现得好像它们是由某种原子组成的分子，而不是量子粒子的无定形混合物。在μ子和正子分子的情况下，计算研究表明，这些系统的AIM结构被EBC很好地捕获。除了识别原子盆地，QTAIM和MC-QTAIM都将属性归因于AIM，这是它们从量子可观测量的分子期望值中获得的份额。它表明，不仅从一个观察值的平均值的份额可以归因于一个原子盆，而且每个盆属性的波动也是可量化的。
2022-04-22 nucl-th physics.atm-clus physics.chem-ph
Extending Hirshfeld-I to bulk and periodic materials
在这项工作中，描述了一种方法来扩展的迭代Hirshing-I方法，通常用于分子，周期性系统。该实施方案利用预先计算的赝势为基础的电荷密度分布，它表明，高品质的结果，获得分子和固体，如二氧化铈，金刚石和石墨。这种网格的使用使得实现独立于用于研究系统的固态或量子化学代码。这里描述的扩展允许在周期性和批量系统中容易地计算原子电荷和电荷转移。
2013-11-14 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Equivariant Matrix Function Neural Networks
University of Cambridge（剑桥大学）；Beijing Normal University（北京师范大学）；University of British Columbia（不列颠哥伦比亚大学）
针对MPNN建模图非局部相互作用时的过平滑、过挤压问题，以及现有方法泛化性或结构捕捉能力不足的缺陷，提出通过解析矩阵等变函数参数化非局部相互作用的矩阵函数神经网络，在标准图基准取得SOTA，还可捕捉量子系统非局部相互作用。
2024-01-30 cond-mat.mtrl-sci cs.LG physics.chem-ph
Learning Local Equivariant Representations for Large-Scale Atomistic Dynamics
Harvard University（哈佛大学）；Robert Bosch LLC Research and Technology Center（罗伯特·博世有限责任公司研究与技术中心）
同时精确和计算效率高的分子和材料的能量和原子力的参数化是自然科学的长期目标。为了实现这一目标，神经消息传递通过沿着原子图迭代传递消息来描述原子的多体相关性，从而导致了范式转变。然而，这种信息的传播使得并行计算变得困难，并且限制了可以研究的长度尺度。另一方面，严格的基于局部的方法可以扩展到大型系统，但目前无法与消息传递方法所观察到的高精度相匹配。这项工作引入了Allegro，这是一种严格的局部等变深度学习原子间势，同时具有出色的并行计算精度和可扩展性。Allegro使用一系列学习的等变表示的张量积来学习原子坐标的多体函数，但不依赖于消息传递。Allegro在QM 9和修订的MD-17数据集上获得了最先进方法的改进。在QM 9基准测试中，单个张量积层的性能优于现有的深度消息传递神经网络和Transformers。此外，Allegro显示出显着的泛化分布外的数据。基于Allegro的分子动力学模拟与第一性原理计算非常一致地恢复了无定形磷酸盐电解质的结构和动力学性质。最后，我们展示了并行缩放的Allegro与1亿个原子的动力学模拟。
2022-04-11 cond-mat.mtrl-sci cs.LG physics.chem-ph
Equivariant representations for molecular Hamiltonians and N-center atomic-scale properties
对称性考虑是主要框架的核心，这些框架用于提供原子构型的有效数学表示，然后用于机器学习模型中，以预测与每个结构相关的属性。在大多数情况下，模型依赖于原子为中心的环境的描述，并且适合于学习原子属性，或者可以分解为原子贡献的全局可观测量。然而，许多与量子力学计算相关的量--最值得注意的是在原子轨道基础上写的单粒子哈密顿矩阵--并不与单个中心相关，而是与结构中的两个（或更多）原子相关。我们讨论了一个家庭的结构描述符，概括了非常成功的原子为中心的密度相关功能的N-中心的情况下，并显示特别是这种结构可以应用于有效地学习矩阵元素的（有效的）单粒子哈密顿写在一个原子为中心的轨道基础。这些N-中心特征是完全等变的-不仅在平移和旋转方面，而且在与原子相关的指数排列方面-并且适合于构建分子和材料的新性质类别的适应性机器学习模型。
2021-12-20 physics.chem-ph stat.ML
MO-HEOM: Extending Hierarchical Equations of Motion to Molecular Orbital Space
Kyoto University（京都大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出了一种基于分子轨道的三维旋转不变系统-环境模型，推导出数值精确的分层运动方程，用于分析氢分子和氢分子离子的线性吸收光谱。
2025-12-28 cond-mat.stat-mech physics.chem-ph
Extending the Tavis-Cummings model for molecular ensembles -- Exploring the effects of dipole self energies and static dipole moments
本文扩展了分子系综的 Tavis-Cummings 模型，证明静态偶极矩和偶极自能对极化子化学中光-物质相互作用的准确描述至关重要，并构建了可模拟更大分子系综的高效两能级系统方法。
2024-07-16 physics.chem-ph quant-ph
