ICLR 2026 | AIDD方向全景扫描

ICLR 2026 录用结果公布，共计 5356 篇论文。

对于 AIDD 领域的研究者而言，如何从海量论文中快速定位相关工作，是每年顶会季的必修课。

我们对全部接收论文进行了系统性筛选与分析，整理出 132 篇 AIDD 核心论文，覆盖蛋白质设计、分子生成、分子对接、分子动力学等主流方向。

本文将从论文分布、技术趋势、代表性工作三个维度进行深度解读。

一、筛选方法与数据来源

我们通过三层筛选策略，从 5356 篇论文中提取 AIDD 相关工作：

第一层：关键词初筛（5356 → 538）

基于 40+ 个核心关键词（molecule、protein、drug、docking、binding 等），对论文标题、摘要和关键词进行匹配。

第二层：噪声去除（538 → 210）

排除因歧义词（如 synthesis、atom）误匹配的视频生成、图像编辑等无关论文。

第三层：人工校验（210 → 132）

逐一检查边缘案例，剔除"通用图生成"、"理论证明"等与 AIDD 无直接关联的工作。

二、论文分布：蛋白质设计领跑，分子生成紧随其后

132 篇论文的主题分布如下：

关键洞察：

蛋白质方向论文数量超过小分子方向，这与近年来 AlphaFold 引发的蛋白质 AI 热潮密切相关。ICLR 2026 延续了这一趋势，蛋白质设计、逆折叠、全原子生成成为热门议题。

三、技术趋势：扩散模型一统江湖，Flow Matching 异军突起

3.1 扩散模型（Diffusion Models）：绝对主力

约 40% 的论文采用了扩散模型，覆盖：

• 分子生成：FragFM, IAGA, MolEditRL
• 蛋白质设计：ProteinAE, Constrained Diffusion, La-Proteina
• 分子对接：SigmaDock, Pallatom-Ligand
• 分子动力学：BioMD, Geometric Graph Neural Diffusion

扩散模型的优势在于生成质量高、多样性好，但采样速度较慢。多篇论文提出了加速策略，如 FragFM 的片段级生成、DriftLite 的轻量化推理。

3.2 Flow Matching：新兴替代方案

Flow Matching 作为扩散模型的“近亲”，在本届 ICLR 有 15+ 篇论文采用：

• MarS-FM：分子动力学的马尔可夫状态建模
• La-Proteina：部分隐空间的蛋白质生成
• RankFlow：性质感知的蛋白质优化

相比扩散模型，Flow Matching 的训练和采样更高效，正在成为分子建模的新宠。

3.3 图神经网络（GNN）：稳定发挥

约 25% 的论文使用了 GNN 进行分子表征：

• h-MINT：层次化分子交互网络
• TetraGT：四面体几何驱动的图 Transformer
• KGOT：知识图谱与最优传输结合

值得关注的是，SE(3) 等变网络（如 E(3)NN、EGNN）在分子建模中已成为标配，几乎所有涉及 3D 结构的工作都采用了等变架构。

3.4 大语言模型（LLM）进军化学

约 15 篇论文将 LLM 应用于化学/生物领域：

• ChemEval：LLM 化学能力评测基准
• SpectraLLM：多光谱分子结构解析
• MolLangBench：语言驱动的分子识别与编辑
• CellDuality：LLM 的生物推理能力激活

LLM 在分子理解、化学推理、结构解析等任务上展现出潜力，但在精确的结构生成任务上仍不如专用模型。

四、重点论文速览

4.1 蛋白质方向 Top 5

4.2 分子生成 Top 5

4.3 分子对接 Top 5

4.4 分子动力学 Top 5

五、值得关注的新基准

六、趋势总结与展望

6.1 本届 ICLR 的 AIDD 关键词

• 全原子建模（All-Atom）：从粗粒度走向原子级精度
• 可合成性（Synthesizability）：生成模型开始关注实际可行性
• 预训练 + 微调：大模型范式进入分子领域
• 等变网络：SE(3) 等变已成为 3D 分子建模的标配

6.2 未来值得关注的方向

1. 蛋白质-配体共设计：同时优化蛋白质和配体
2. 多模态分子表征：结合序列、结构、光谱等多源信息
3. 主动学习与实验闭环：AI 设计 → 实验验证 → 反馈迭代
4. 可解释性：从"黑盒生成"走向"可理解设计"

七、用 NotebookLM 快速生成领域综述

面对 132 篇论文，逐篇精读不太现实。我们推荐使用 Google NotebookLM 进行快速分析。

使用方法

1. 下载全部 132 篇论文 PDF（使用我们提供的脚本）
2. 访问 NotebookLM，创建新笔记本
3. 上传 PDF 文件（每次最多 50 个，分批上传）
4. 使用结构化提示词进行提问

有一说一，总结的真不错

有一说一，总结的真不错

推荐提问流程

第一步：总体概览 → 了解主要研究方向和趋势
第二步：分主题分析 → 深入蛋白质/分子生成/对接等子领域
第三步：技术对比 → 横向比较扩散模型/Flow Matching/GNN
第四步：数据集基准 → 了解评测标准和 SOTA
第五步：未来展望 → 把握研究趋势
第六步：生成综述 → 输出完整报告

示例提示词

请根据我上传的论文，总结 ICLR 2026 AIDD 领域的主要研究方向。
哪些技术方法应用最广泛？有哪些新兴趋势？
请引用具体论文标题作为支撑。

NotebookLM 会基于上传的论文内容回答问题，并给出具体引用，适合快速建立领域全景图。

八、资源获取

完整 132 篇论文列表和筛选脚本已开源：

👉 GitHub:

https://github.com/minddance-x/ICLR2026-AIDD

仓库包含：

• 论文元数据（标题、摘要、关键词、PDF 链接）
• 筛选脚本（可复用于其他会议）
• 批量下载脚本
• NotebookLM 提示词指南

欢迎 Star 和 Fork。如有遗漏或建议，欢迎 Issue 反馈。