通过使用少样本学习的生成模型，结合分子动力学模拟方法，我们在可行的计算成本内获得了具有卓越性能的构象采样器。

Feb, 2024

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

在多尺度动力学系统中，通过代表性采样长时间尺度的相空间是一项有价值的工作，但也面临挑战。我们展示了基于评分的生成模型可以在这种耦合框架中用于提高多尺度动力学系统的采样效果。

Dec, 2023

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

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

本文综述了机器学习和增强分子动力学相结合的方法，重点讨论了维度缩减、强化学习和流动方法等方面的成功策略，同时探讨了该领域的开放性问题。

Jun, 2023

本文介绍一种基于神经网络的 Boltzmann 生成器，以取代传统 molecular dynamics 方法，加速复杂大分子如蛋白质的能量表面探索。

Feb, 2023

我们提出了得分动力学（SD）作为从分子动力学（MD）模拟中学习高效演化算子的通用框架。我们构建了基于图神经网络的得分动力学模型，用于真实分子系统的演化，演化时间步长为 1 个皮秒，并通过丙氨酸二肽和溶液中的短链烷烃的案例研究展示了得分动力学的性能。相比于 MD，得分动力学在平衡预测和动力学预测上具有 8-18 倍的计算速度提升，并讨论了改进得分动力学的挑战和可能的未来解决方案。

Oct, 2023

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

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