该论文提出一种通用的分子相互作用模型，通过将三维分子表示为几何图形集的方法，使得能够捕获稀疏块级和密集原子级交互，通过进行广泛的实验证实了该方法对不同领域和不同任务进行可转移的学习具有潜力。

Jun, 2023

本文提出了 TorchMD-NET 的结构，即一种新的等变转换器，用于预测量子机械性质，经过权重分析后发现与分子动力学或正常模式采样的构象的学习表示存在差异，同时强调包括不平衡构象的数据集对于分子能量模型的评价的重要性。

Feb, 2022

本研究旨在通过对 6 个 EGraFF 算法进行评估和分析，以及提出新的基准数据集、指标和挑战任务，系统地评估机器学习力场在原子模拟中的能力和限制，并指出该领域存在的开放性研究挑战。

Oct, 2023

使用在小分子上预训练并在聚合物属性上微调的 Transformer 模型，可以达到与在扩增聚合物数据集训练的模型相当的准确性，对于一系列基准预测任务来说。

Oct, 2023

近年来，在基于第一性原理参考计算的机器学习力场（MLFFs）的发展方面取得了很大进展。我们的研究发现了 MLFFs 中具有等变表示的分子动力学模拟的稳定性存在潜在联系，但其计算成本可能限制了其实际优势。为了解决这个问题，我们提出了一种称为 SO3krates 的 Transformer 架构，它结合了稀疏的等变表示（欧几里得变量）和能够分离不变和等变信息的 self-attention 机制，从而消除了昂贵的张量积的需要。SO3krates 实现了准确性、稳定性和速度的独特结合，使得我们能够在前所未有的时间和系统尺度上对物质的量子性质进行深入分析。为了展示这一能力，我们为具有数百个原子的可变肽和超分子结构生成稳定的分子动力学轨迹。此外，我们通过探索数千个极小点来研究介质大小的链状分子（如小肽）的势能面拓扑。非常了不起的是，SO3krates 展示了在稳定性和超出训练数据的最低能量构象之间找到平衡的能力，这对于生物化学领域的实际探索任务至关重要。

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

Equivariant Pretrained Transformer (EPT) 是一种新颖的预训练框架，旨在通过块增强表示统一多领域分子的几何建模，同时通过 E (3) 不变性进一步增强 Transformer 框架，通过块级预训练任务，实现了同时在包含小分子和蛋白质的数据集上进行预训练，并在多个任务中显著优于之前的方法。

Feb, 2024

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

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

我们提出了一种力导向的预训练模型，用于涵盖平衡和非平衡数据的三维分子构象，通过直接学习非平衡数据的原子力，以及引入零力正规化和基于力的去噪技术来近似接近平衡力转化为近千其他鞠躬。我们的预训练模型对于三维分子表示具有统一的作用，通过预训练目标，力的准确性相比未经预训练的等变变压器模型提高了约 3 倍，同时通过在平衡数据上添加正规化项，解决了原始等变变压器中不稳定的分子动力学模拟问题，实现了与 NequIP 相比 2.45 倍更快的推理时间，并达到了与最先进的属性预测任务相当的性能。

Aug, 2023