提出了一种新的机器学习架构 Grappa，通过分子图的图注意力神经网络和具有保持对称的位置编码的 Transformer，可以从分子图预测分子力场参数，该方法在相同的计算效率下优于现有的机器学习的分子力场，并可在现有的分子动力学引擎中使用，能够预测小分子、多肽、RNA 等的能量和力，并在蛋白质的模拟中展示了其可转移性。

Mar, 2024

SPICE 数据集的第 2 版是一个用于训练机器学习势能的量子化学计算集合，通过更多地对化学空间进行采样和提供更多非共价相互作用的数据，扩展了原始数据集。在其中，我们使用名为 Nutmeg 的一组潜在能量函数。它们采用一种新的机制，在带电和极性分子上改善性能，将预先计算的部分电荷注入模型以提供大规模电荷分布的参考。对新模型的评估表明，它们在重现构象之间的能量差异方面表现出色，即使在高度带电的分子或比训练集中的分子显着更大的情况下，也能够产生稳定的分子动力学轨迹，并且足够快以用于对小分子的常规模拟。

Jun, 2024

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

本文综述了基于分子动力学模拟和溶液实验数据的生物分子力场方法，讨论了该方法的机器学习相关问题和挑战。

Apr, 2020

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

运用机器学习技术设计了量子神经网络，该网络明确地结合了大量具有物理相关性的对称性，以预测原子势能和原子力的潜在能量表面。研究结果表明，凭借几何量子机器学习框架，分子力场的生成可以从中获益，并且化学系统对于发展和应用先进量子机器学习工具具有丰富的应用潜力。

Nov, 2023

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

该论文介绍了 PhysNet，这是一种设计用于预测化学系统能量、力和偶极矩的深度神经网络，能在化学反应、长程相互作用和凝聚相系统中表现出卓越的性能；研究发现，在能量预测中明确地包含静电作用对于 PES 的渐近区域进行正确描述至关重要，并且 PhysNet 模型能够推广到更大的蛋白质，如二聚体 10 - 丙氨酸。

Feb, 2019

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

本文介绍了对最近提出的对称梯度域机器学习（sGDML）模型的优化实现，提供了一个用于重建和评估自定义 sGDML 力场（FFs）的 Python 软件包，并展示了如何将 sGDML 与 FF 仿真引擎 ASE 和 i-PI 接口以运行数值实验。

Dec, 2018