教育分子动力学：面向非自回归离子输运预测器
机器学习
2026-05-12 v1 人工智能
原子物理
化学物理
计算物理
摘要
与大多数在机器学习文献中广泛研究的静态材料属性不同，离子输运属性是内在动态的，这使得从静态原子结构进行快速准确预测具有挑战性。当前的标准方法——分子动力学（MD）模拟——因计算成本极高而受限。近期的自回归学习驱动的MD加速方法虽然需要顺序推断，却仍较慢且易产生误差累积；相比之下，现有的非自回归材料属性预测模型准确性较低，因未充分利用动态信息。此外，现有方法通常仅能从包含或不包含原子轨迹的数据集中受益，二者难以兼得。为克服这些限制，我们提出一种基于辅助模态学习的非自回归学习框架，在训练期将原子轨迹视为辅助模态，但推断时无需依赖它们。这使预测器能够在不进行顺序推断的情况下学习动态信息，同时从两种类型的数据集中受益。结果表明，本框架在包含原子轨迹的数据集上相对于自回归模型实现了200倍以上的加速，同时在两种类型的数据集上均显著降低了相对于非自回归基准的预测误差。我们的代码已公开：https://github.com/jykim-git/MD。
引用
@article{arxiv.2605.09311,
title = {Teaching Molecular Dynamics to a Non-Autoregressive Ionic Transport Predictor},
author = {Jiyeon Kim and Byungju Lee and Won-Yong Shin},
journal= {arXiv preprint arXiv:2605.09311},
year = {2026}
}
备注
International Conference on Machine Learning (ICML 2026) (to appear) (Please cite our conference version.)