May, 2022

粗粒度力场的对比学习

PDF
TL;DR本文介绍了一种被称为 “potential contrasting” 的新方法，可以更好地学习分子系统的复杂能量地形，生成准确的力场来再现精细分辨率分子模拟的构象分布。这种方法在仅使用 α- 碳的粗粒度模型时，已经成功地应用于 Trp-cage 蛋白的折叠过程的研究，并且可以应用于结合许多蛋白质构象集合的大型数据集来确保粗粒度力场的可转移性。
coarse-grained modelsforce fieldspotential contrastingprotein folding processmolecular simulation
发现论文，激发创造
  • 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

  • 粗粒化分子动力学力场的机器学习

    本文应用监督式机器学习方法将经典粗粒化 (coarse-graining) 重新解释，提出了一种名为 CGnets 的深度学习方法，能够学习细粒度有溶剂共存 (all-atom explicit-solvent) 的自由能函数，并能够捕获多体项。

    Dec, 2018

  • 用图神经网络的粗粒化力场中的热力学可传递性

    通过使用图卷积神经网络 (HIP-NN-TS) 构建粗粒化力场的高度自动化训练流程，我们展示了机器学习技术在改进可转移粗粒化力场构建方面的潜力。这种方法不仅能够产生高精度的力场，而且在多种热力学条件下具有更好的转移性。

    Jun, 2024

  • 用图神经网络进行粗粒化分子动力学模拟

    通过引入混合架构来学习分子动力学中的粗粒化力场，以便于能够将粗粒化力场转移到分子系统之间，从而进一步加速模拟的过程。

    Jul, 2020

  • 极端力学力场中的规划和探索方法

    通过第一性原理计算生成的数据，我们开发了一个神经网络力场 NN-F3 来研究断裂，通过预先对应变态空间进行采样和积极学习技术来探索临界键合距离处的过渡态。模拟结果验证了最近的实验发现，并强调在预测极端机械过程中包括从第一性原理计算中获取的电子结构知识的必要性。

    Oct, 2023

  • 准确的机器学习力场通过实验和模拟数据融合

    基于机器学习的势场吸引着越来越多的关注，因为它们能够以量子级准确度跨越经典间原子势场的时空尺度。本研究利用密度泛函理论计算和实验测量的力学性能及晶格参数来训练钛的机器学习势能模型，证明了融合数据学习策略能够同时满足所有目标要求，从而获得比单一数据来源训练的模型更高准确性的分子模型。该方法适用于任何材料，可作为获取高度精确机器学习势能的通用策略。

    Aug, 2023

  • 关于梯度在分子能量和力机器学习中的作用

    使用量子机器学习模型研究了有机分子的能量和力学标签，发现训练数据中的包含原子力学标签可以将预测的能量和力学标签精度提高 7 倍。

    Jul, 2020

  • 精准的能量守恒分子力场的机器学习

    利用能量守恒定律，我们开发了一种高效的梯度域机器学习方法（GDML），使用极少量的来自从头算分子动力学（AIMD）轨迹的样本构建准确的分子力场。这种方法可以在训练时仅使用 1000 个构象几何结构，以 0.3 kcal/mol 的能量准确度和 1 kcal/mol・Å^-1 的原子力准确度再现中等大小的分子的全局势能面。该方法使得分子动力学模拟可以像高级从头算法方法一样具有准确性和可转移性，同时减少了计算代价。

    Nov, 2016

  • 通过力导 SE (3) 扩散模型生成蛋白质构象

    我们提出了一种力导向的 SE (3) 扩散模型 ConfDiff，用于蛋白质构象的生成，该模型融合了力导向网络和基于数据的评分模型，能够生成具有多样性且高保真性的蛋白质构象。实验证明，我们的方法在多种蛋白质构象预测任务中优于现有方法。

    Mar, 2024

  • 使用分子配置转换器生成用于研究化学反应机理的高精度分子动力学模拟力场

    我们提出了基于增强采样的 QM/MM 分子动力学模拟的研究范式，并通过我们开发的基于图神经网络的分子模型 —— 分子构型变换器，进行了高精度力场的训练。这种方法可以以较低的计算成本进行高精度模拟，从而更准确地计算化学反应机制，预计将成为有机化学反应机制理论研究的新趋势。

    Dec, 2023