FRAMES: Una Nuova Strategia di Addestramento per Migliorare i Campi di Forza Molecolari Utilizzando Dati di Simulazioni di Dinamica Molecolare
Una nuova strategia di addestramento chiamata FRAMES sfrutta le informazioni temporali provenienti da simulazioni di Dinamica Molecolare (MD) per migliorare l'accuratezza dei predittori basati su reti neurali per energie e forze molecolari. Le simulazioni MD generano traiettorie ordinate nel tempo delle posizioni atomiche che esplorano la superficie di energia potenziale in ensemble come NVE o NVT, a differenza dei rilassamenti geometrici che minimizzano l'energia. FRAMES introduce una funzione di perdita ausiliaria che sfrutta questi dati temporali, colmando una lacuna nei modelli attuali che tipicamente apprendono da singole configurazioni atomiche. Il lavoro è dettagliato nel preprint arXiv 2604.19806, presentato nell'aprile 2026.
Fatti principali
- arXiv:2604.19806v1 introduce la strategia di addestramento FRAMES.
- FRAMES utilizza una funzione di perdita ausiliaria per sfruttare i dati temporali delle simulazioni MD.
- Le simulazioni MD producono traiettorie ordinate nel tempo in ensemble NVE/NVT.
- Le attuali reti neurali spesso predicono da singole configurazioni atomiche.
- La previsione accurata di energia e forze è una sfida centrale nell'IA per la Scienza.
- FRAMES mira a migliorare le prestazioni dei predittori di campi di forza molecolari.
- Il lavoro esplora l'uso innovativo dei dati MD quando disponibili.
- L'articolo è categorizzato come cross submission su arXiv.
Entità
Istituzioni
- arXiv