Dec, 2020

TorchMD：分子模拟深度学习框架

PDF
TL;DRTorchMD 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。
molecular dynamics simulationsempirical potentialsmachine learningneural network potentialsprotein folding
发现论文，激发创造
  • TorchMD-Net 2.0：面向分子模拟的快速神经网络势函数

    TorchMD-Net 软件通过模块化设计方法，显著提高了计算效率，并引入了 TensorNet 和物理先验的集成，从而实现了从传统力场到神经网络势能的转变。

    Feb, 2024

  • OpenMM 8：使用机器学习势的分子动力学模拟

    机器学习在分子模拟中扮演重要且日益增长的角色，OpenMM 分子动力学工具包的最新版本引入了新特性，支持使用机器学习模型进行模拟优化。

    Oct, 2023

  • 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

  • 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

    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。

    Jul, 2017

  • TorchMD-NET: 基于等变换形式的 Transformer 用于神经网络分子势能

    本文提出了 TorchMD-NET 的结构，即一种新的等变转换器，用于预测量子机械性质，经过权重分析后发现与分子动力学或正常模式采样的构象的学习表示存在差异，同时强调包括不平衡构象的数据集对于分子能量模型的评价的重要性。

    Feb, 2022

  • 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

  • 分子模拟的机器学习

    介绍了机器学习在分子模拟及预测量子力学能量与力学、粗粒化分子动力学、提取自由能面和生成网络方法等应用方面的研究进展，同时探讨了在此领域中的一些挑战。

    Nov, 2019

  • 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

  • 机器学习用于长时间分子动力学

    以机器学习方法为基础的分子动力学模拟技术被广泛应用于材料学的研究领域，本文探讨了机器学习在长时间尺度分子动力学模拟中的应用与发展，并对其未来研究方向进行了展望。

    Dec, 2018