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

本文介绍了一种新型的蛋白质构象采样方法，它使用基于分数的生成模型（SGMs）训练的多层分数函数直接采样构象，以弥补传统 MD 仿真过程中采样样本不足的问题，并通过在多个基准系统上进行比较，证明了该方法的有效性。

Jun, 2023

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

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

从已知的概率分布中采样是计算科学中普遍存在的任务，为从语言学到生物学和物理学的各个领域的计算提供支持。然而，科学领域中的生成任务具有独特的结构和特征，如复杂对称性和精确性保证的要求，对机器学习提出了挑战和机会。本文介绍了以格点量子场论为动机的基于机器学习的采样方法的进展，尤其是在量子色动力学理论的应用中。这种方法使我们能够从粒子物理学的最基本理解中计算物质的结构和相互作用，在全球范围内是开放科学超级计算的主要消费者。本文还涵盖了该应用中的机器学习算法设计所面临的深层次挑战，包括将自定义机器学习架构扩展到最大的超级计算机，但也揭示了巨大的潜力和在机器学习采样领域中发展的浪潮。在格点场论中，如果这种方法能够实现早期的承诺，将是迈向无法用传统方法计算的粒子、核和凝聚态物理的第一性原理物理计算的转变性进展。

Sep, 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

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

数据驱动技术与物理近似相结合的例子展示了机器学习在电子结构计算中的应用，从而提高了模型的可迁移性和可解释性，节省了计算成本，并为发展机器学习增强型电子结构方法提供了蓝图。

Nov, 2023

本文基于软提示学习方法，探索和应用分子动力学任务的模型，能够在受限的训练数据下显著泛化到未知和分布外情境，尤其关注以温度为测试案例，同时适用于压力和体积等连续动力学条件的高效模拟。两阶段的框架通过数据混合技术预先训练、温度提示，接着采用课程学习方法增加它们的比例平滑地，再通过基于元学习的微调框架提高微调过程的样本效率，给予软提示微调更好的初始化点。综合实验证明，该框架在领域内数据的准确性上表现出色，并展现了对未知和分布外样本的强大泛化能力。

Aug, 2023

为机器学习的原子间势提供了能够代表分子系统可访问配置空间的数据集的生成方法，该方法利用不确定性作为集体变量以引导获取与化学相关的数据点，重点关注机器学习模型预测最不确定性的配置空间区域，并在丙氨酰二肽基准系统上验证了该方法在克服能量壁垒和探索未知能量最小值方面的有效性。

Feb, 2024