molecular-dynamics

MinkowskiPE 提出了一种基于 Minkowski 几何的位置编码，使注意力分数仅依赖于相对时空位移，在保持时空平移不变性的同时与 FlashAttention 兼容，并在分子动力学和视频预测任务上取得了稳定的性能提升。

AdaptNTK 引入了一个使用神经切线核的自适应不确定性量化框架，以实现神经网络势中的高效主动学习，在降低计算成本的同时保持分子动力学模拟的准确性。

本文介绍了用于分子转变路径采样的随机控制策略（FS-TPS 和 LaS-TPS），这些策略提高了在多种生物分子系统中的稳健性和性能。

Agent-MD是一个框架，选择性地将LLM推理应用于长期分子模拟活动，使用确定性规则型代理处理常规任务，并对异常情况采用事件触发的LLM审查。在GCMC–MD水蒸气解吸模拟中的演示表明，可审计、可复现的科学工作流可以避免将每项操作都置于LLM推理循环中。

本文介绍了CGMas，一个多智能体LLM框架，可自动化聚合物的粗粒化分子动力学，包括拓扑构建、平衡、映射、势推导和验证。它完成了27项聚合物任务，并在大多数情况下将原子级密度匹配在5%以内，大幅缩短了模拟时间。

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。

Valence AI发布了AquaGen，该模型模拟水物理的速度比经典分子动力学快100倍，在生化理解和药物研究方面具有潜在应用。

本文介绍了EquiFiLM，这是一种轻量级扩展，通过特征线性调制向等变基础机器学习力场添加连续外部条件，以极少的训练数据实现了显著的精度提升。

MDForge 是一个 LLM 智能体，可自动化设计用于主客体结合自由能计算的分子动力学流程，取得了与人类专家相当的结果，并发现了一种新型高亲和力结合物。

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。

EvoMD-LLM 将反应性分子动力学轨迹重构为符号时间序列，使 LLM 能够通过微调和时间支架对物种随时间的演化进行建模，最高可达 66.14% 的准确率并提供可解释的预测。

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%。