从字面上可以区分和记忆
包晶：液体包裹固体，反应得到固体；
共晶，共结晶，当然，液态共结晶2个固体；
共沉淀，即两种固体从固体中共沉淀出来。
如果区分，看你接触的是哪个单相区，也就是区分反应前后是什么。
共晶是由两个或两个以上的中性分子以一定的化学计量比通过非共价键力组装而成的单相晶体材料。共晶体通过低成本的、柔性结构和溶液加工的非共价键形成功能分子，并为其提供新的特性。因此，共晶工程已经成为制药、化学和材料领域的有效设计策略。
共结晶只发生在某些特定的分子之间，因此如何选择构象是共晶工程的关键。然而，发现新的共晶构象所需的测定实验是昂贵的，因此低成本和通用的构象发现策略非常重要。鉴于机器学习的鲁棒性和图神经网络(GNN)的蓬勃发展，作者提出了一种基于GNN的构象发现方法。然而，GNN高度依赖数据特征，对不平衡数据的分类效果并不理想。因此，作者提出结合分子图和先验知识(12个分子描述符)来表达共晶，即耦合GNN和互补策略，实现更全面的共晶表达。同时，作者使用基于GNN的深度学习(DL)框架将先验知识集成到分子图中进行端到端学习。通过迁移学习，该框架可以有效地应用于CCs数据集。作者将其命名为框架共晶图神经网络。为了全面评价其性能，笔者采用了7个竞赛模型进行对比，包括2个传统ML模型和5个DL模型。此外，CCGNet的坚固性和普遍性在三种不同类型的共晶(药物CCs、 -CCs和高能CCs)上得到了强有力的验证。CCGNet在这三个独立测试集上取得了较高的准确率，明显优于竞争模型。最后，作者成功合成了一种新型高能共晶，进一步证实了碳纳米管在实际应用中的潜力。