隐式机器学习力场大幅降低分子动力学模拟成本

研究人员开发了隐式机器学习力场（I-MLFFs），可显著加速分子动力学模拟。这种新方法用自洽不动点方程取代了传统的神经网络层，允许在模拟时间步长之间重用中间表示。这种方法有效地将浅层模型的计算效率与深度神经网络的准确性相结合，在各种图神经网络架构中将计算和内存使用量减少了2到5倍。该方法保持了完整的原子分辨率和积分时间步长，从而能够对生物分子和材料科学研究进行更长的轨迹和更大的系统。 AI

影响 通过实现更大规模和更长时间尺度的模拟，加速生物分子和材料系统的科学发现。

排序理由 详细介绍分子动力学模拟新计算方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Biomolecular Systems of Disease Buried Across Multiple GWAS Unveiled by Information Theory and Ontology.
• Cartesian tensor
• graphics processing unit
• graph neural networks
• I-MLFFs
• Implicit Machine Learning Force Fields
• Material Systems
• MLFF
• Molecular Dynamics Simulations of Dna Hybridization and Dynamic Force Spectroscopy
• neural network layers
• Quantum-mechanically faithful molecular simulation
• SO(3)-equivariant Spherical-Tensor

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →