Oct, 2023

OpenMM 8：使用机器学习势的分子动力学模拟

PDF
TL;DR机器学习在分子模拟中扮演重要且日益增长的角色，OpenMM 分子动力学工具包的最新版本引入了新特性，支持使用机器学习模型进行模拟优化。
machine learningmolecular simulationopenmmpytorchsimulation optimization
发现论文，激发创造
  • TorchMD：分子模拟深度学习框架

    TorchMD 是使用混合经典和机器学习势的分子模拟框架，可以提高数据驱动模型的质量和可转移性，它支持模拟神经网络潜力，可以有效训练和模拟蛋白质折叠，代码和数据可以在 https://github.com/torchmd 免费获取。

    Dec, 2020

  • 分子模拟的机器学习

    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

  • 利用机器学习力场实现精确分子动力学模拟

    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

  • 机器学习用于长时间分子动力学

    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

  • 面向物理的主动学习在加速量子化学模拟中的应用

    通过使用主动学习 (AL)，可以以经济的时间和资源投入及最少的人工干预构建具有鲁棒数据效率的潜力。实现了构建可靠的数据高效势能，并在牵引谱模拟、生化分子构象搜索和 Diels-Alder 反应的时间分辨机理研究中展示了该协议的多功能性。

    Apr, 2024

  • 粗粒化分子动力学力场的机器学习

    本文应用监督式机器学习方法将经典粗粒化 (coarse-graining) 重新解释，提出了一种名为 CGnets 的深度学习方法，能够学习细粒度有溶剂共存 (all-atom explicit-solvent) 的自由能函数，并能够捕获多体项。

    Dec, 2018

  • 精准的能量守恒分子力场的机器学习

    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

  • 基于自上而下的机器学习法推导蛋白质粗粒度力场

    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

  • 使用机器学习将从头算准确性扩展至 1 亿个原子的分子动力学极限

    本文利用机器学习使得原始精度的分子动力学模拟 (DPMD) 效率大幅提升，采用 GPU DeePMD-kit 在 Summit 超级计算机上取得 91 PFLOPS，混合精度可达 275 PFLOPS，并能够模拟 10^8 个原子以上 1 纳秒长的轨迹。此发现为实现原子尺度下的精确模拟、实现更大尺度更高准确度的理论研究提供了新的思路和方法。

    May, 2020

  • 准确的机器学习力场通过实验和模拟数据融合

    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