Feb, 2024

TorchMD-Net 2.0：面向分子模拟的快速神经网络势函数

PDF
TL;DRTorchMD-Net 软件通过模块化设计方法，显著提高了计算效率，并引入了 TensorNet 和物理先验的集成，从而实现了从传统力场到神经网络势能的转变。
computational speedprediction accuracyneural network-based potentialstensornetmolecular dynamics frameworks
发现论文，激发创造
  • TorchMD-NET: 基于等变换形式的 Transformer 用于神经网络分子势能

    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

  • 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

  • PhysNet：用于预测能量、力、偶极矩和部分电荷的神经网络

    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

  • TensorNet：用笛卡尔张量表示法高效学习分子势

    该文章介绍了一种新的张量表示神经网络 TensorNet，其在分子系统表示中表现出了状态 - of-the-art 的性能，能有效地降低模型计算成本，并具有准确预测分子量子量的能力。

    Jun, 2023

  • 基于深度潜能的分子动力学模型：具有量子力学精度的可扩展模型

    本研究介绍了一种基于深度神经网络的分子模拟方案 ——Deep Potential Molecular Dynamics（DeePMD）方法，能够在多种系统中高效、准确地预测原始数据，并且与系统规模呈线性比例。

    Jul, 2017

  • Qiskit-Torch-Module：快速原型制作量子神经网络

    量子计算机仿真软件关键研究领域：qiskit-torch-module 在提高运行效率、低开销与 PyTorch 集成方面较其他库提升两个数量级；适用于单机计算系统的高级工具，便于量子神经网络的整合。

    Apr, 2024

  • OpenMM 8：使用机器学习势的分子动力学模拟

    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。

    Oct, 2023

  • FeNNol：一种高效且灵活的用于构建力场增强神经网络势函数的库

    FeNNol 是一个新的库，用于构建、训练和运行增强力场神经网络势能，它提供了一个灵活和模块化的系统，使得能够轻松地将最先进的嵌入与机器学习参数化的物理相互作用项相结合，无需编程，同时利用 Jax Python 库的自动微分和即时编译功能以快速评估神经网络势能，缩小了机器学习势能与标准力场之间的性能差距，有望促进新的混合 NNP 架构在各种分子模拟问题上的开发和应用。

    May, 2024

  • C3Net: 预测异质系统物理化学性质的原子间势神经网络

    提出了用于原子类型嵌入其分子环境和基于基本物理规律的相互作用势的深度神经网络架构，应用于异质系统中预测物理化学性质并优于基于量子力学和神经网络的最新方法在溶解自由能预测任务中。

    Sep, 2023

  • PotentialNet 用于分子性质预测

    该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能，包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等，并在多个基于配体的任务中验证了模型性能的创新性。

    Mar, 2018