标签
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%。