面向化学空间的分子动力学直接人工智能预测
化学物理
2026-03-17 v3 人工智能
机器学习
摘要
分子动力学（MD）是探索原子级系统行为的强大工具，但其依赖顺序数值积分的特性限制了仿真效率。我们提出了一种新型神经网络架构 MDtrajNet，以及一个预训练的基础模型 MDtrajNet-1，直接生成化学空间中的 MD 轨迹，绕过力的计算和积分。MDtrajNet 将等变神经网络与基于 Transformer 的架构相结合，实现了对长时间轨迹的卓越精度和可迁移性。该方法将仿真速度提高了最高可达两个数量级，生成的轨迹精度也优于使用基于相同数据的经典机器学习原子势训练的 MD。值得注意的是，MDtrajNet-1 对各种已见及甚至未见的小型分子系统的轨迹误差接近传统初步 MD 的水平。当前 MDtrajNet-1 的局限性归因于其训练数据中化学空间的相对较小规模；然而，即使针对更大的未见系统，MDtrajNet-1 也为微调和获取系统特定模型提供了良好的起点。该架构的灵活设计支持多种应用场景，包括不同的统计ensemble、边界条件和相互作用类型。通过克服传统 MD 的固有速度瓶颈，MDtrajNet 拓展了高效和可扩展原子仿真的新前沿。
引用
@article{arxiv.2505.16301,
title = {Artificial Intelligence for Direct Prediction of Molecular Dynamics Across Chemical Space},
author = {Fuchun Ge and Yuxinxin Chen and Pavlo O. Dral},
journal= {arXiv preprint arXiv:2505.16301},
year = {2026}
}