Sep, 2024

图神经网络-状态预测信息瓶颈（GNN-SPIB）方法在分子热力学和动力学学习中的应用

HTML
PDF
TL;DR该研究解决了分子动力学模拟中存在的时间尺度限制和对专家选择特征的依赖问题。提出的GNN-SPIB框架结合图神经网络和状态预测信息瓶颈，能够自动从原子坐标中学习低维表示。研究表明，该方法在不同系统中有效预测慢过程的关键结构、热力学和动力学信息，具有广泛的应用潜力。
发现论文，激发创造
  • GemNet: 面向分子的通用定向图神经网络

    本研究介绍了一种新型的Geometric Message Passing Neural Network（GemNet）结构，采用了定向边嵌入和双跳消息传递，展现出图神经网络在预测分子动力学方面的强大效果和广阔前景。

    Jun, 2021

  • 使用 Spin 卷积的旋转不变图神经网络

    通过图神经网络建模邻近原子间的角度信息，解决能量泛函理论在结构松弛和分子动力学等领域中的角度建模挑战，从而实现计算模拟在实际问题中的显著提速和突破。

    Jun, 2021

  • 双向神经网络在分子动力学轨迹重构中的超分辨率

    本文利用不同种类的机器学习模型，研究并提高了分子动力学模拟的分辨率，证实双向LSTM模型是表现最好的模型，其能够在轨迹插值方面达到10^-4埃的精度，从而为更大系统的建立和更好的分子动力学积分器的构建奠定了基础。

    Jan, 2022

  • 学习局部等变表示在大规模微观动力学中的应用

    本文介绍了一种基于equivariant deep learning的新算法，Allegro，该算法使用了学习到的等变性表示的张量积序列，实现了对于分子和材料的能量和原子力的高精度预测，并能进行大规模的并行计算和分子动力学仿真。

    Apr, 2022

  • 非平衡分子的降噪预训练，用于准确和可转移的神经势

    本文提出了基于去噪预训练(Equivariant Graph Neural Networks)的新型神经势能预测方法，旨在解决对于大规模、复杂的分子体系建立准确、具有可迁移性的GNN神经势能预测模型的问题。实验结果表明，该方法具有很好的实用性，并成功地提高了神经势能预测的准确性。

    Mar, 2023

  • 具有校准的Aleatoric和Epistemic不确定性的图神经网络原子间势能集合在能量和力上的应用

    通过训练和重新校准图神经网络集合模型，预测能量和力量可以生成准确的预测和校准的不确定性估计，这是首个在机器学习神经网络中考虑了获得能量和力量上的校准的认知和偶然性不确定性预测的完整框架。

    May, 2023

  • 使用GNN和核均值嵌入的原子模拟转移学习

    本文提出了一种使用图神经网络和核平均嵌入的迁移学习方法，能够通过特征图来学习催化过程的系统特异性数据，以及通过一个灵活的核函数来融合化学物种信息，能够有效地提高性能和可解释性，同时具有出色的推广和传递性能。

    Jun, 2023

  • 分数动力学：通过条件扩散模型缩放皮秒级分子动力学

    我们提出了得分动力学（SD）作为从分子动力学（MD）模拟中学习高效演化算子的通用框架。我们构建了基于图神经网络的得分动力学模型，用于真实分子系统的演化，演化时间步长为1个皮秒，并通过丙氨酸二肽和溶液中的短链烷烃的案例研究展示了得分动力学的性能。相比于MD，得分动力学在平衡预测和动力学预测上具有8-18倍的计算速度提升，并讨论了改进得分动力学的挑战和可能的未来解决方案。

    Oct, 2023

  • 平衡分子信息与实证数据在物理-化学性质预测中的应用

    利用分子描述符和表示学习相结合的方法，通过结合概率机器学习文献中的期望最大化算法，自动检测并纠正基于结构的预测不可靠的情况，从而显著提高了对二元混合物中活度系数的预测准确性，展示了在物理化学性质预测中的潜力。

    Jun, 2024

  • 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