分子动力学
ICLR 2025 | Deep Signature 高效表征生物大分子复杂运动的新方法
编辑 | ScienceAI理解蛋白质动力学行为对于解析其功能机制和开发分子疗法至关重要。 然而，生物过程通常涉及复杂的高维动力学以及原子间相互作用，这对现有计算处理技术构成了巨大挑战。 本文介绍了来自香港城市大学李皓亮研究团队所提出的 Deep Signature，一个用于生物大分子复杂运动表征学习的深度学习框架。
计算效率提升100倍以上，上交李金金团队开发基于Transformer的大模型用于从头算分子动力学
作者 | 陶科豪编辑 | 白菜叶精确模拟原子与分子的动态行为对于开发新一代高效能材料至关重要。然而，传统的从头算分子动力学（AIMD）模拟虽然提供了高精度的预测能力，但由于其高昂的计算成本和漫长的模拟时间，大大限制了研究的进度。例如，完成一个含 100 个原子的材料系统的 30 皮秒模拟，常常需要数月时间，这对于需要快速迭代和优化的新材料研发构成了巨大挑战。在这种背景下，一个能够显著加快这一过程的人工智能模型具有重要价值。面对这些挑战，上海交通大学人工智能与微结构实验室（AIMS-lab）开发了名为 T-AIMD
- 1