标签
论文提出 Magnolia，一个面向计算化学的持久记忆 AI 智能体框架，采用三层记忆系统（会话、项目、跨项目规则），整合对接、分子动力学与量子化学计算流程；在四个案例中验证了记忆机制显著提升任务检查通过率。
本文提出SO(3)等变神经卡尔曼网络（SENK），用于精确且可迁移的振动光谱预测，性能超越现有方法，并将张量预测与物理信息校准相集成。
EnSol是一种环境感知图神经网络，它通过将溶质和溶剂表示为图，并使用交叉注意力来建模相互作用，同时利用概率输出来捕捉温度效应和实验不确定性，从而预测分子溶解度。该模型在基准数据集上取得了最先进的性能，并经过实验验证。
GRACE是一种用于离子淌度质谱中碰撞截面预测的新型3D预测器，通过早期融合的几何残基加合物条件化来提高准确性和泛化能力。
ARCHE是一个自主代理系统，集成了推理和计算模型，以自动化发现和验证化学反应机理，并通过多种化学场景进行了验证。
本文介绍了MolEmb，这是一个轻量级框架，它调整多模态大型语言模型以实现通用的分子嵌入，支持上下文感知的表示和跨模态检索，同时还提出了一个诊断基准MolCAR。
作者吐槽使用SSH和VPN访问大学HPC集群进行计算化学的笨拙之处，认为这种摩擦阻碍了独立研究人员开展工作，并倡导本地计算。
MDForge 是一个 LLM 智能体，可自动化设计用于主客体结合自由能计算的分子动力学流程，取得了与人类专家相当的结果，并发现了一种新型高亲和力结合物。
这篇ICML 2026论文介绍了Derivative Informed XC-Loss（DI-Loss），这是一种用于机器学习交换关联泛函的训练方法，它在密度矩阵的格拉斯曼流形上引入了一阶和二阶导数监督。在四种架构上，与仅使用能量和密度监督相比，DI-Loss将总能量平均绝对误差（MAE）降低了66%，并改善了TDDFT计算中的激发态预测。
SITA（可扩展推理时间退火）引入了一种方法，通过沿温度阶梯使用基于能量的替代似然重新训练基于流的模型，高效采样分子玻尔兹曼分布，避免了昂贵的散度计算。该方法在丙氨酸二肽和三肽基准测试中达到了最先进的性能。
本文介绍了 ARMOR，这是一个用于预测化学反应可行性的智能体框架，通过自适应地优先使用并解决多个 AI 工具之间的冲突来实现预测。在公共数据集上，该框架展示了优于单一工具和聚合方法的性能。
本文提出了一种基于大语言模型的代理系统，用于自动化发现密度泛函理论中的交换相关泛函。该系统在性能上超越了人工设计的基线，同时也凸显了基准过拟合带来的挑战。
来自罗维拉-威尔吉利大学的研究人员在《自然-机器智能》上发表论文，介绍了CoCoGraph，这是一种利用约束离散扩散过程生成化学有效的新型分子的AI工具。
微软研究院发布 Skala——一种用于 DFT 的深度学习交换关联泛函，在 GMTKN55 主流化学基准上达到 2.8 kcal/mol 精度，成本仅为半局域泛函水平，全面超越传统泛函。