Sep, 2023
从肽到纳米结构: 一种用于快速且稳定的机器学习力场的欧几里德变换器
From Peptides to Nanostructures: A Euclidean Transformer for Fast and
Stable Machine Learned Force Fields
TL;DR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。