Jul, 2017

基于深度潜能的分子动力学模型：具有量子力学精度的可扩展模型

PDF
TL;DR本研究介绍了一种基于深度神经网络的分子模拟方案 ——Deep Potential Molecular Dynamics（DeePMD）方法，能够在多种系统中高效、准确地预测原始数据，并且与系统规模呈线性比例。
发现论文，激发创造
  • 使用机器学习将从头算准确性扩展至 1 亿个原子的分子动力学极限

    本文利用机器学习使得原始精度的分子动力学模拟 (DPMD) 效率大幅提升，采用 GPU DeePMD-kit 在 Summit 超级计算机上取得 91 PFLOPS，混合精度可达 275 PFLOPS，并能够模拟 10^8 个原子以上 1 纳秒长的轨迹。此发现为实现原子尺度下的精确模拟、实现更大尺度更高准确度的理论研究提供了新的思路和方法。

    May, 2020

  • 利用机器学习力场实现精确分子动力学模拟

    通过将时空物理对称性结合到梯度域机器学习（sGDML）模型中，从高级初步计算中直接构建灵活的分子力场，为实现分子模拟中的光谱精度提供关键缺失成分。

    Feb, 2018

  • TorchMD：分子模拟深度学习框架

    TorchMD 是使用混合经典和机器学习势的分子模拟框架，可以提高数据驱动模型的质量和可转移性，它支持模拟神经网络潜力，可以有效训练和模拟蛋白质折叠，代码和数据可以在 https://github.com/torchmd 免费获取。

    Dec, 2020

  • 多粒度对称微分方程模型用于学习蛋白质 - 配体结合动力学

    通过引入机器学习方法，NeuralMD 首次提出了一种能够促进分子动力学和提供准确的蛋白质 - 配体结合动力学模拟的机器学习代理模型，该模型在提高效率方面展现出非凡的成果，并通过稳定度指标超出其他机器学习方法高达 80% 的表现，更具稳定性的蛋白质 - 配体结合预测。

    Jan, 2024

  • DeepDriveMD: 基于深度学习的自适应分子模拟技术用于蛋白质折叠

    通过将深度学习与分子动力学模拟相结合，可以有效学习潜在表征并推动自适应模拟，从而实现在超级计算机上以有效的方式折叠蛋白质，相较于传统的模拟方法，获得至少 2.3 倍的性能提升，这为我们理解 DL 驱动的 MD 模拟如何导致在超级计算资源上减少解决方案的时间提供了定量基础。

    Sep, 2019

  • PhysNet：用于预测能量、力、偶极矩和部分电荷的神经网络

    该论文介绍了 PhysNet，这是一种设计用于预测化学系统能量、力和偶极矩的深度神经网络，能在化学反应、长程相互作用和凝聚相系统中表现出卓越的性能；研究发现，在能量预测中明确地包含静电作用对于 PES 的渐近区域进行正确描述至关重要，并且 PhysNet 模型能够推广到更大的蛋白质，如二聚体 10 - 丙氨酸。

    Feb, 2019

  • 机器学习与量子化学的统一 - 分子波函数的深度神经网络

    本文提出了一种基于深度学习的量子力学波函数预测框架，以实现分子结构的反向设计，用于优化目标电子性质，表明这种方法打开了机器学习和量子化学更协同的前景。

    Jun, 2019

  • 基于自上而下的机器学习法推导蛋白质粗粒度力场

    使用分子动力学仿真和可微重要性抽样训练神经网络势能，可以开发出准确和高效的蛋白质粗粒化表示方法，在预测蛋白质动力学、折叠和相互作用等方面具有重要应用价值。

    Jun, 2023

  • 分子系统准确高效的几何深度学习的通用框架

    基于几何深度学习和图神经网络的 PAMNet 是一个通用框架，通过引入物理信息偏置来模拟三维分子的局部和非局部相互作用，具有高效且准确的学习分子表示能力，在小分子性质、RNA 3D 结构和蛋白质 - 配体结合亲和性等学习任务中表现优异，适用于广泛的分子科学应用。

    Nov, 2023

  • 从分子动力学到布朗动力学

    本文研究三种粗粒化分子动力学模型，利用分子动力学模拟在计算域中的部分和（不太详细的）布朗动力学模拟在剩余的域中来开发和分析多尺度方法。结果应用于细胞膜上的受体蛋白结合的简化模型，证明现代胞内过程的 BD 模拟器可以在大块材料中精确耦合，也可以与膜附近使用的（更详细的）蛋白结合 MD 模型精确耦合。

    Jan, 2014