從字面上可以區分和記憶
    包晶：液體包裹固體，反應得到固體；
    共晶，共結晶，當然，液態共結晶2個固體；
    共沉淀，即兩種固體從固體中共沉淀出來。
    如果區分，看你接觸的是哪個單相區，也就是區分反應前后是什么。

    共晶是由兩個或兩個以上的中性分子以一定的化學計量比通過非共價鍵力組裝而成的單相晶體材料。共晶體通過低成本的、柔性結構和溶液加工的非共價鍵形成功能分子，并為其提供新的特性。因此，共晶工程已經成為制藥、化學和材料領域的有效設計策略。

    共結晶只發生在某些特定的分子之間，因此如何選擇構象是共晶工程的關鍵。然而，發現新的共晶構象所需的測定實驗是昂貴的，因此低成本和通用的構象發現策略非常重要。鑒于機器學習的魯棒性和圖神經網絡(GNN)的蓬勃發展，作者提出了一種基于GNN的構象發現方法。然而，GNN高度依賴數據特征，對不平衡數據的分類效果并不理想。因此，作者提出結合分子圖和先驗知識(12個分子描述符)來表達共晶，即耦合GNN和互補策略，實現更全面的共晶表達。同時，作者使用基于GNN的深度學習(DL)框架將先驗知識集成到分子圖中進行端到端學習。通過遷移學習，該框架可以有效地應用于CCs數據集。作者將其命名為框架共晶圖神經網絡。為了全面評價其性能，筆者采用了7個競賽模型進行對比，包括2個傳統ML模型和5個DL模型。此外，CCGNet的堅固性和普遍性在三種不同類型的共晶(藥物CCs、 -CCs和高能CCs)上得到了強有力的驗證。CCGNet在這三個獨立測試集上取得了較高的準確率，明顯優于競爭模型。最后，作者成功合成了一種新型高能共晶，進一步證實了碳納米管在實際應用中的潛力。