Mar, 2024

Grappa - 一种机器学习的分子力学力场

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 用图神经网络进行粗粒化分子动力学模拟

    通过引入混合架构来学习分子动力学中的粗粒化力场，以便于能够将粗粒化力场转移到分子系统之间，从而进一步加速模拟的过程。

    Jul, 2020

  • 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

  • Espaloma-0.3.0: 机器学习的分子机械力场，用于蛋白质 - 配体系统及其它模拟

    本文介绍了一种基于图神经网络的头到尾可微的力场构建方法，该方法通过能量和力的拟合实现了对量子化学数据的直接拟合，并成功地将其应用于包括小分子、蛋白质和 RNA 在内的生物大分子的强制场建模中。

    Jul, 2023

  • EGraFFBench：用于原子模拟的等变图神经网络力场的评估

    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

  • 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

  • 用图神经网络的粗粒化力场中的热力学可传递性

    通过使用图卷积神经网络 (HIP-NN-TS) 构建粗粒化力场的高度自动化训练流程，我们展示了机器学习技术在改进可转移粗粒化力场构建方面的潜力。这种方法不仅能够产生高精度的力场，而且在多种热力学条件下具有更好的转移性。

    Jun, 2024

  • 极端力学力场中的规划和探索方法

    通过第一性原理计算生成的数据，我们开发了一个神经网络力场 NN-F3 来研究断裂，通过预先对应变态空间进行采样和积极学习技术来探索临界键合距离处的过渡态。模拟结果验证了最近的实验发现，并强调在预测极端机械过程中包括从第一性原理计算中获取的电子结构知识的必要性。

    Oct, 2023

  • 对称不变的量子机器学习力场

    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