通过可微轨迹重加权从实验数据学习神经网络势能

MMJun, 2021

通过可微轨迹重加权从实验数据学习神经网络势能

Learning neural network potentials from experimental data via Differentiable Trajectory Reweighting

Stephan Thaler, Julija Zavadlav

TL;DR本研究提出了 Differentiable Trajectory Reweighting (DiffTRe) 方法，该方法避免了通过分子动力学模拟进行微分，实现了基于实验数据的神经网络势函数的自上而下学习，并在将其应用于钻石的分子模型和水的粗粒化模型中证明了其生效性。

Abstract

In molecular dynamics (MD), neural network (NN) potentials trained bottom-up on quantum mechanical data have seen tremendous success recently. Top-down approaches that learn NN potentials directly from experimental data

molecular dynamics neural network potentials differentiable trajectory reweighting top-down learning experimental data

发现论文，激发创造

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

双向神经网络在分子动力学轨迹重构中的超分辨率

本文利用不同种类的机器学习模型，研究并提高了分子动力学模拟的分辨率，证实双向 LSTM 模型是表现最好的模型，其能够在轨迹插值方面达到 10^-4 埃的精度，从而为更大系统的建立和更好的分子动力学积分器的构建奠定了基础。

Jan, 2022

神经网络潜力函数的数据提炼对基础数据集的研究

利用机器学习、生成模型和神经网络为基础的势函数，通过拓展系综分子动力学获得大范围液态和固态配置来加速势函数开发，并提升材料设计和发现的能力。

Nov, 2023

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

非平衡分子的降噪预训练，用于准确和可转移的神经势

本文提出了基于去噪预训练 (Equivariant Graph Neural Networks) 的新型神经势能预测方法，旨在解决对于大规模、复杂的分子体系建立准确、具有可迁移性的 GNN 神经势能预测模型的问题。实验结果表明，该方法具有很好的实用性，并成功地提高了神经势能预测的准确性。

Mar, 2023

逆扩散的分子松弛及时间步预测

通过反向扩散实验，我们提出了一种新颖的统计方法，利用生成扩散模型去除杂乱输入，从而学习简化的伪势能面，省去非平衡结构的计算，实现在计算化学中找到非平衡结构的平衡状态。

Apr, 2024

神经热力学积分：基于能量扩散模型的自由能

通过使用可训练的神经网络来代表一个在时间上依赖的哈密顿量，我们提出了一种名为神经 TI 的方法，该方法能够从单个参考计算中进行 TI，从而能够耦合数百个自由度并进行精确计算过程。

Jun, 2024

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

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

研究扩散模型对加速电子结构计算的行为

通过对扩散模型进行调查，我们希望能更好地理解它们的预测与基于物理计算的结果之间的比较，以利用机器学习来显著加速电子结构计算，而无需昂贵的原理数据集进行训练。我们发现一种流行的扩散模型用于全新分子生成的推理过程可以分为探索阶段和弛豫阶段，其中模型选择原子种类的同时调整原子坐标以找到低能几何形状。随着训练的进行，我们发现该模型最初学习的是位能曲面的一阶结构，然后逐渐学习高阶结构。我们还发现扩散模型的弛豫阶段可以用于对构象进行玻尔兹曼分布采样，并进行结构弛豫。对于结构弛豫，该模型对小型有机分子的能量较经典力场产生的结构低约 10 倍。在密度泛函理论 (DFT) 弛豫中，从扩散生成的结构开始与从经典力场弛豫的结构开始相比，可以使 DFT 弛豫速度提高超过 2 倍。

Nov, 2023