基于 TICA 的自由能匹配用于机器学习分子动力学

分子动力学（MD）模拟提供了生物分子系统的原子级洞察，但往往受限于访问长时间尺度所需的高计算成本。粗粒化机器学习模型为加速采样提供了有前景的途径，但传统的力匹配方法通常无法捕捉完整的热力学景观，因为对梯度进行拟合可能无法拟合低能量构象态之间的绝对差异。在本工作中，我们将一个互补的能量匹配项纳入损失函数。我们在 Chignolin 蛋白质上使用 CGSchNet 模型评估了我们的框架，系统地变化能量损失项的权重。虽然能量匹配并未在准确性上产生统计显著的改进，但它揭示了模型泛化自由能面的不同倾向。我们的结果表明，通过改进的能量估计技术和多模态损失公式，粗粒化建模存在未来的增强机会。