如何走得更简单？基于边缘转换器的分子动力学方法
机器学习
2026-01-30 v3
摘要
当前大多数用于分子动力学 (MD) 的神经网络包含物理归纳偏置，导致专业且复杂的体系结构。这与大多数其他机器学习领域相反，在这些领域中，专业方法正日益被通用体系结构取代，这些体系结构是在大规模数据集上进行训练的。以此趋势为线索，近期几项研究质疑了 MD 模型中常见的建置 equivariance 或能量守恒等架构特征的必要性。本文通过评估包含尽可能少专业化架构特征的 MD 模型的性能，贡献于这一持续的讨论中。我们提出了一种用于 MD 的配方，采用边缘转换器 (Edge Transformer)，这是一种经过最小修改适用于 MD 领域的“通用”转换器架构，称为 MD-ET。我们的模型既不实现内置的等效性，也不实现能量守恒。我们采用简单监督预训练方案，在约3000万分子结构（来自 QCML 数据库）上进行训练。使用这种“通用”方法，我们在多个基准测试上实现了经过微调后不少步骤即可达到最佳性能。此外，我们检查了仅近似等效性和能量守恒对 MD 模拟的影响，提出了一种新方法，用于区分非等效性导致的误差与其他来源的误差，如数值舍入误差。虽然我们的模型在较大结构上表现出能量失控，但我们展示了对多种小规模结构进行约等于能量守恒的 NVE 模拟。
引用
@article{arxiv.2503.01431,
title = {How simple can you go? An off-the-shelf transformer approach to molecular dynamics},
author = {Max Eissler and Tim Korjakow and Stefan Ganscha and Oliver T. Unke and Klaus-Robert Müller and Stefan Gugler},
journal= {arXiv preprint arXiv:2503.01431},
year = {2026}
}
备注
21 pages, code at https://github.com/mx-e/simple-md