ATOM：用于多任务分子动力学的预训练神经算子
机器学习
2026-04-24 v2
摘要
分子动力学 (MD) 模拟支撑着现代药物发现、材料科学和生物化学的发展。最近的机器学习模型在无需反复求解量子力学力的情况下提供高保真的MD预测，显著加速了传统流程。然而，这些方法通常强制执行严格的等变性并依赖顺序推演，从而限制了其灵活性和仿真效率。此外，它们也常常是单任务模型，在单个分子和固定时间段上训练，限制了对未见分子和更长时间步长的泛化能力。为此，我们提出了面向分子动力学的Transformer算子（ATOM），这是一种多任务分子动力学的预训练神经算子。ATOM采用准等变设计，无需显式分子图，并采用时间注意力机制，允许对多个未来状态进行准确的并行解码。为支持跨化学品和时间尺度的算子预训练，我们构建了TG80数据集，包含超过250万纳秒的时间轨迹，覆盖80种化合物。ATOM在 established 的单任务基准（如MD17、RMD17和MD22）上实现了最先进的性能。经过在TG80上的多任务预训练后，ATOM在各种时间范围内对未见分子实现了卓越的零样本泛化。我们认为ATOM是通向准确、高效和可迁移分子动力学模型的重要一步。
引用
@article{arxiv.2510.05482,
title = {ATOM: A Pretrained Neural Operator for Multitask Molecular Dynamics},
author = {Luke Thompson and Davy Guan and Dai Shi and Slade Matthews and Junbin Gao and Andi Han},
journal= {arXiv preprint arXiv:2510.05482},
year = {2026}
}
备注
Accepted at ICLR2026