分子表示学习：跨领域基础与未来前沿

本文综述了分子表示学习领域的最新进展，重点探讨了基于深度学习的分子表示方法，包括图神经网络（GNNs）、自编码器（AEs）、变分自编码器（VAEs）、扩散模型、生成对抗网络（GANs）、变换器架构（Transformers）以及混合自监督学习（SSL）框架。文章特别关注了3D感知表示、物理信息神经势能和跨模态融合策略等新兴领域，并讨论了数据稀缺性、表示一致性、可解释性和计算成本等挑战。文章还探讨了对比学习、多模态自适应融合和可微分模拟等新兴策略，为提高模型的泛化能力和实际应用性提供了方向。分子表示学习不仅在药物发现和材料设计中具有重要应用，还在环境可持续性方面具有潜力。