分子表示预训练在药物和材料发现的各种应用中至关重要。沿着这一研究方向，大多数现有工作集中在2D分子图的预训练上。与此同时，3D几何结构预训练的能力最近得到了探索。在本教程中，我将首先介绍分子几何表示方法（群不变和等变表示）以及用于预训练的自监督学习。之后，我将结合这两个主题，全面介绍用于分子表示的几何预训练，并详细讨论最新的研究成果。关键词：人工智能、机器学习、深度学习、药物发现、图表示学习、几何表示学习、几何预训练、自监督预训练、群对称性、不变性、E(3)-等变性、SE(3)-等变性。 1. 基于物理启发的几何建模

预训练

密度估计与生成建模 1. 基于物理启发的几何预训练

正面效果 * 负面效果

分子2D-3D * 分子3D * 蛋白质3D * 材料3D

基于物理启发的无监督预训练 * 基于物理启发的监督预训练 1. 基于物理启发的几何预训练与大语言模型（LLM）

分子 * 蛋白质 * 材料 1. 结论