本研究解决了全原子分子模拟在探索复杂生物过程时的计算成本问题,提出了一种新的神经网络势amaro。该方法结合了o(3)等变信息传递神经网络架构与去氢原子的粗粒化映射,显示出在没有先前能量项的情况下训练粗粒化神经网络势的可行性,从而实现蛋白质动态学的稳定运行和可扩展性。
研究引入了一种新的机器学习内原子势框架,称为基于样条的神经网络势(s-nnp)。该框架结合了meam势和神经网络的优点,以高效方式描述复杂数据集,并通过样条滤波器编码原子环境,提高可解释性。样条滤波器的灵活性支持多个化学系统间的共享。