Jun, 2024

用图神经网络的粗粒化力场中的热力学可传递性

PDF
TL;DR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。
coarse-grainingforce fieldmolecular modelingtransferabilitymachine learning
发现论文，激发创造
  • 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

  • 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

  • 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

  • 粗粒度力场的对比学习

    本文介绍了一种被称为 “potential contrasting” 的新方法，可以更好地学习分子系统的复杂能量地形，生成准确的力场来再现精细分辨率分子模拟的构象分布。这种方法在仅使用 α- 碳的粗粒度模型时，已经成功地应用于 Trp-cage 蛋白的折叠过程的研究，并且可以应用于结合许多蛋白质构象集合的大型数据集来确保粗粒度力场的可转移性。

    May, 2022

  • 学习图上的粗粒度动力学

    我们考虑使用图神经网络（GNN）非马尔科夫建模框架来识别图上的粗粒化动力系统。我们的主要思路是通过检查莫里 - 茨旺齐记忆项的主导项如何依赖编码图拓扑的粗粒化相互作用系数，系统地确定 GNN 的体系结构。基于这个分析，我们发现适当的 GNN 体系结构需要至少进行 2K 步的消息传递（MP）机制，以考虑 K - 跳动力学相互作用。我们还推断出，在相互作用强度以跳距离的幂律衰减的假设下，准确的闭包模型所需的记忆长度会随着相互作用强度的减小而减小。针对两个例子，异质库拉莫特振荡器模型和电力系统，我们进行了支持性的数值演示，表明所提出的 GNN 体系结构能够预测固定和时变图拓扑下的粗粒化动力学。

    May, 2024

  • Grappa - 一种机器学习的分子力学力场

    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

  • 分子构象的生成式粗粒化

    本文提出了基于生成模型和等变网络的新方法，以恢复从粗粒度表示到原子层面的原子精确位置信息，并在分子动力学轨迹上进行了三个综合评估，结果表明，与现有数据驱动的方法相比，我们的方法始终能够以显着优势恢复更真实的结构。

    Jan, 2022

  • 基于机器学习的可逆粗粒化方法用于多尺度分子模拟

    使用周期粗粒化 (CCG) 方法，能够在统一的框架下构建基于结构的粗粒化 (CG) 模型，并能通过可行的优化过程恢复细微的分子细节，从而实现多尺度分子建模中 CG 模型的改进与精度提高。

    May, 2023

  • 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

  • ForceNet：用于大规模量子计算的图神经网络

    本文介绍了一种不强制施加物理约束、而是通过物理数据增强训练的方法，设计出了一个高效且表现性能优异的图神经网络模型 ForceNet，通过在大规模数据集上的测试证实其能够更精确地预测原子力，并开辟了一条新的研究道路。

    Mar, 2021