Pavlo O. Dral教授课题组近期引入了一个概念，即：使用四维（4D）时空原子人工智能（AI）模型学习分子随时间的变化。通过开发4D时空GICnet模型证明这个概念是可行的。与传统动力学不同的是，该模型可以直接预测分子的原子坐标以作为时间的连续函数，而传统分子动力学是在离散的时间步长上，通过缓慢连续、一次一步的算法来预测核坐标。

Pavlo O.Dral教授近期与其他学者共同编写了章节“Machine learning methods in photochemistry and photophysics”，描述了机器学习（ML）的基本原理和ML在光化学和光物理中的应用。

Pavlo O. Dral教授课题组近期在Frontiers in Physics上发布了一个具有量子耗散动力学数据集的数据库：QD3SET-1。

苏培峰教授课题组发展了用于含激发态的分子间相互作用体系的能量分解分析方法（GKS-EDA(TD)）。

本刊收集了各个领域的研究内容，包括新材料的设计、多体相互作用的学习、多尺度物理化学以及激发态物质现象的揭示。