隐式机器学习力场加速分子动力学模拟

arXiv cs.LG 论文
machine-learning force-fields molecular-dynamics graph-neural-networks efficiency arxiv

摘要

介绍了隐式机器学习力场（I-MLFFs），该力场用不动点方程替代深层神经网络堆叠，支持热启动，并在用于分子动力学模拟的图神经网络架构上实现最高5倍的计算/内存节省。

arXiv:2607.29158v1 公告类型：新 摘要：我们引入了隐式机器学习力场（I-MLFFs），它用自洽的不动点方程替代显式的神经网络层堆叠。在分子模拟中，这种表述使得中间表示可以在连续时间步之间重复使用，从而对力的评估进行热启动。由此产生的模型有效地结合了浅层单层MLFF的计算开销与深层神经网络的表示能力和准确性。我们的方法实现了与架构无关的效率提升，而在单独考虑力预测和轨迹积分时是无法获得这些提升的。我们在三类主要的图神经网络上进行了验证：不变式、等变笛卡尔张量以及SO(3)-等变球张量架构。每类架构都实现了2到5倍的计算和内存足迹缩减。关键在于，这些增益是在保留完整原子分辨率和原始积分时间步的同时实现的，避免了空间或时间粗粒化。因此，我们的贡献推进了量子力学保真分子模拟的扩展前沿，使得在固定的GPU内存和计算预算内能够实现更长的轨迹和更大的原子系统，从而为生物分子和材料系统的新见解打开了通道。
查看原文
查看缓存全文

缓存时间: 2026/08/03 07:37 

# 隐式机器学习力场加速分子动力学模拟
来源：https://arxiv.org/abs/2607.29158
查看 PDF (https://arxiv.org/pdf/2607.29158)

> 摘要：我们引入了隐式机器学习力场 \(I\-MLFFs\)，该方法以自洽不动点方程取代显式堆叠的神经网络层。在分子模拟中，这种表述使中间表示能够在连续时间步之间复用，从而为力评估提供热启动。由此产生的模型有效结合了浅层单层 MLFF 的计算开销与深层神经网络的表示能力和精度。我们的方法实现了与架构无关的效率提升，而这是将力预测与轨迹积分分开考虑时无法获得的。我们在三大类图神经网络上展示了这一点：不变性架构、等变笛卡尔张量架构以及 SO\(3\) 等变球面张量架构。每类架构都能将计算和内存开销降低两到五倍。关键在于，这些提升是在保持完整原子级分辨率和原始积分时间步长的同时实现的，从而避免了空间或时间上的粗粒化。因此，我们的贡献推进了量子力学保真分子模拟的规模化前沿，使在固定 GPU 内存和计算预算内实现更长的轨迹和更大的原子系统成为可能，由此为生物分子和材料系统的新见解打开了通道。

## 提交历史

来自：Johannes Maeß \[查看电子邮件 (https://arxiv.org/show-email/07274e77/2607.29158)\] **\[v1\]** 2026年7月31日星期五 08:38:13 UTC \(19,180 KB\)

相似文章

用于原子间势主动学习的Stein核化分子动力学

arXiv cs.LG

来自MIT、华威大学和NVIDIA的研究人员提出了Stein核化分子动力学（SKMD），这是一种增强采样方法，利用相互作用粒子动力学为机器学习原子间势（MLIPs）的主动学习和微调获取信息丰富的训练构型。SKMD是Stein变分梯度下降的随机变体，专为分子动力学进行了适配，在保持Boltzmann分布的同时，以更少的训练迭代次数实现了比基线方法更高的模型精度。

通过隐式梯度传输加速基于 LMO 的优化

arXiv cs.LG

本文提出了 LMO-IGT，这是一类新的随机优化方法，它利用隐式梯度传输来加速收敛，同时保持每次迭代仅计算一次梯度的结构。文中引入了一个统一的理论框架，并展示了相较于 Muon 等现有基于 LMO 的优化器，该方法具有更优的性能。

机器学习粗粒化分子动力学中的Hessian匹配方法

arXiv cs.LG

本文提出了一种面向机器学习粗粒化分子动力学的Hessian匹配框架，该框架通过随机Hessian-向量积匹配增强力匹配，将二阶曲率信息注入CG势能。该方法在快折叠蛋白质的慢模式指标上，KL散度最高降低了85%。