投稿以及内容合作可加编辑微信：超级充电RDD-2011-CHERISH，任丹丹，我们会邀请各位老师加入专家群。

此外，宝蓄作者还强调了学习的分子表示类似于量子力学类似物，证明了模型捕获基础物理学的能力，以及讨论了ML模型如何描述非局部量子效应。最后，势待作者编制了一份可用的ML工具箱列表，总结了未解决的挑战和展望了未来的发展。

【导读】化学作为在原子、发储分子水平上研究物质的组成、发储结构、性质、转化及其应用的基础自然科学，其源自生活和生产实践，并随着人类社会的进步而不断发展。产些ML正在成为经过时间验证代码的重要组成部分。2.作者编制了一份可用的ML工具箱列表，业还总结了未解决的挑战和展望了未来的发展，证明了本领域的发展正在向由ML增强的基于物理的模型发展。

同时，面临作者概述了几种现代神经网络架构，以及它们的预测能力，通用性和可转移性，并说明了它们对各种化学性质的适用性。挑战相关研究成果以Extendingmachinelearningbeyondinteratomicpotentialsforpredictingmolecularproperties为题发表在NatureReviewsChemistry上

图5自旋极化电荷和总电子密度的机器学习预测©2022SpringerNature（a）一系列取代的硫代醛中硫原子上的原子电荷，超级充电正如在ANI-1x数据集上训练的分子中原子网络（AIMNet）所预测的那样，超级充电该网络由氟、硫和氯原子的分子增强。

宝蓄（d）分子中原子网络（AIMNet）体系结构的变体。势待但这种方法受到可见和更高频率的欧姆损失以及红外范围内较差的空间限制的限制。

具体地说，发储该工作在石墨烯装饰的α-MoO3薄膜中看到了广角负折射极化激元。然而，产些这些结构中偏振子的极端空间限制阻碍了其色散;这种结构固有的反射和散射损失也使理论概念的实现复杂化。

最近的理论研究提出了使用vdW极化元来实现深亚波长中红外负折射，业还例如在石墨烯周期性阵列中，或使用平面石墨烯和六方氮化硼(h-BN)异质结构。(B)由α- MoO3薄膜、面临双层石墨烯和SiO2衬底组成的器件光学图像(从上到下)。