Campi di Forza Impliciti con Machine Learning Accelerano le Simulazioni di Dinamica Molecolare

Un nuovo metodo noto come campi di forza impliciti con machine learning (I-MLFF) è stato sviluppato dai ricercatori, sostituendo i livelli espliciti di reti neurali con equazioni di punto fisso autoconsistenti. Questa formulazione innovativa consente il riutilizzo delle rappresentazioni intermedie attraverso passi temporali successivi nelle simulazioni molecolari, facilitando l'avvio a caldo per le valutazioni delle forze. I modelli prodotti uniscono l'efficienza di un MLFF superficiale a un singolo livello con l'accuratezza e la potenza rappresentativa di una rete neurale profonda. Questa tecnica realizza miglioramenti di efficienza che sono indipendenti dall'architettura, non ottenibili quando la previsione delle forze e l'integrazione della traiettoria sono trattate separatamente. Testato su tre principali categorie di reti neurali a grafo—tensore sferico equivariante SO(3), tensore cartesiano equivariante e architetture invarianti—il metodo raggiunge una riduzione da due a cinque volte dei requisiti computazionali e di memoria mantenendo l'accuratezza. La ricerca è disponibile su arXiv con l'identificatore 2607.29158.