molecular-representation

SenCos-GEM提出了一个物理引导的分子表示学习框架，利用Squeeze-and-Excitation模块和余弦定理约束提升3D几何理解，在MoleculeNet回归基准上取得了最先进的成果。

本文提出了一种三分支模块化融合神经网络，整合了3D几何结构、SMILES嵌入和物理化学描述符用于分子性质预测，在QM9数据集上以不到一百万个参数实现了20.6%的误差降低。

MOLAR提出了一种噪声感知框架，通过将干净属性推理与观测到的标签噪声分离，从噪声标签中学习多模态分子表征，在分子基准测试中优于基线方法。