Jan, 2022

双向神经网络在分子动力学轨迹重构中的超分辨率

PDF
TL;DR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。
molecular dynamics simulationsmachine learningneural networksthermodynamicstrajectory interpolation
发现论文，激发创造
  • 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

  • 无分子的分子动力学：利用生成神经网络搜索蛋白质构象空间

    利用人工智能和生成神经网络对蛋白质的分子动力学进行建模，将分子动力学的轨迹用 Ramachandran 盆类的向量表示，无需使用物理粒子，模型可以扩展无限，并能够完整地模拟蛋白质的构象空间。

    Jun, 2022

  • 通过可微轨迹重加权从实验数据学习神经网络势能

    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。

    Jun, 2021

  • 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

  • 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

  • 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

  • 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

  • 用人工神经网络研究二维量子多体动力学

    该研究讨论了利用人工神经网络编码量子多体波函数的方法，有效地模拟了二维空间中的量子物质的无平衡实时演化，并应用到横向场伊辛模型上，验证了该方法的准确性和可行性。

    Dec, 2019

  • 分子构象生成的神经生成动力学学习

    本文提出了一种结合了流模型与能量模型的方法，以解决机器学习在从分子图生成分子空间构象时存在的挑战。经过大量实验，证明该方法在分子构象生成和距离建模任务上具有显著的改进和卓越性能。

    Feb, 2021

  • 多尺度学习原子间势

    用于分子动力学模拟的多时间步积分器的机器学习插值势具有比传统势能更广泛的适用性，通过联合训练两种机器学习插值势进行尺度分离可以实现显著的加速和无损的精度。

    Oct, 2023