- 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, - 主动学习下的相态发现:在等原子比例的 NiTi 中的结构相变应用
通过使用四个机器学习力场模型针对镍钛(NiTi)合金的分子动力学模拟,我们发现 LDA、PBE、PBEsol 和 SCAN DFT 功能密度理论的模型仅 SCAN 模型能够预测可逆的 B19' -> B2 相变,而其他模型则预测了一个以前未 - 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 - 切片去噪:一种基于物理信息的分子预训练方法
该论文提出一种名为 SliDe 的分子预训练新方法,利用切片去噪策略及随机切片方法,提高对分子力场的精确预测能力,从而优于传统基准模型在分子性质预测任务上的表现。
- 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 - 数据代价意识的机器学习力场
提出了一种名为 ASTEROID 的多阶段计算框架,可以通过利用便宜但不精确的数据和昂贵而准确的数据相结合来降低机器学习力场模型的数据成本,该方法在分子动力学模拟中取得了良好的效果。
- 基于评分的蛋白质分子动力学增强采样
本文介绍了一种新型的蛋白质构象采样方法,它使用基于分数的生成模型(SGMs)训练的多层分数函数直接采样构象,以弥补传统 MD 仿真过程中采样样本不足的问题,并通过在多个基准系统上进行比较,证明了该方法的有效性。
- Transition1x—— 用于构建通用反应机器学习势能的数据集
通过生成新的数据集 Transition1x 并在其中训练机器学习模型,研究发现传统的计算化学数据集不能有效帮助模型精确学习过渡态区域的特征,该数据集将成为开发下一代分子动力学力场的重要一步。
- MACE:用于快速准确势场的高阶等变消息传递神经网络
本研究提出了一种使用更高级别信息的 MPNN 模型:MACE,通过使用四体信息代替两体信息,在 rMD17, 3BPA 和 AcAc benchmark 任务上实现了与或高于最新技术水平的精度并且能够快速且高度可并行化。
- 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-ca - 机器学习力场
本文总结了机器学习在计算化学中的应用,包括基于机器学习的力场构建、相关的统计关系和挑战,并提供了从零开始构建和测试它们的逐步指南。
- 使用机器学习构建准确且数据高效的分子力场:sGDML
本文介绍了对最近提出的对称梯度域机器学习(sGDML)模型的优化实现,提供了一个用于重建和评估自定义 sGDML 力场(FFs)的 Python 软件包,并展示了如何将 sGDML 与 FF 仿真引擎 ASE 和 i-PI 接口以运行数值实 - 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。