以一个包含 100 个原子的材料系统为例，如果需要进行 30 皮秒的从头算分子动力学（AIMD，ab initio Molecular Dynamics，也称第一性原理分子动力学）模拟，需要在高性能中央处理器（CPU，Central Processing Unit）计算机上运行两到三个月。而 T-AIMD 方法通过学习原子长距离扩散行为，可在极短时间内预测任何离子在任...
结构演化对揭示分析分子激发态动力学机理非常重要。虽然在实验中获得分子结构与性能的构效关系相对容易，然而，测得分子结构随时间演化的信息却并非易事。李竞白表示：“我们通过这种高效、高精度的计算模拟，为研究激发态动力学中的分子结构演化，提供了非常直观的研究方法。在此基础上，结合我们的实验现象，最终实现了...
本项研究使用分子动力学模拟,发现非乙酰化Tirzepatide与GLP-1R/GIPR在K20位点形成的关键盐桥能够起到稳定靶点激活态构象的作用,这一特征在冷冻电镜结构中未被观察到。 而Tirzepatide在K20位点引入的酰化侧链则会破坏这一盐桥作用,造成酰化修饰后的Tirzepatide激动活性下降。 基于这些发现,团队开发了一种优化策略,通过...
1. E(3) 等变图神经网络模型NequIP ,该模型在分子动力学模拟上,显示出出色的预测准确性、对未见阶段的泛化能力以及非常高的样本效率。 2. 量子机器学习模型(QMLM)以少量的数据训练展现出一定的泛化性 i) 量子卷积神经网络对相变中的量子态进行分类只需要非常小的训练数据集。 ii) 其它潜在应用包括学习量子纠错...
分子动力学模拟是研究分子体系的“显微镜”,在新药开发、材料设计等领域发挥着重要作用。但传统的模拟方法面临计算成本高、难以处理大分子等瓶颈。近年来,人工智能技术的发展为突破这些瓶颈带来了新的希望。 近日,微软研究院科学智能中心(Microsoft Research AI for Science)携手耶鲁大学、西安交通大学提出了一种名为 LSR...
为了解决数据与模型“先有鸡还是先有蛋”的问题，深势科技另辟蹊径，从源头学习相关领域的科学原理，再基于AI学习的科学原理实现仿真模拟，进而产生新的数据。尔后，再通过AI产生的数据与实验数据相结合，推动高层级的AI模型出现，循环迭代。最终，深势科技在保持量子力学精度的基础上，将分子动力学的计算速度提升了...
01上海交通大学人工智能与微结构实验室通过引入Transformer算法,提出了人工智能模型T-AIMD,提高了分子动力学计算的效率。 02T-AIMD模型结合序列特征和物理描述符,提高了模型的泛化能力和预测准确性。 03通过智能算法优化计算过程,T-AIMD模型实现了快速准确的物质特性预测。
然后,我们使用深度学习分类器对AI生成的候选抗生素分子进行额外的关键属性筛选,如毒性和广谱活性。我们借助高通量、粗粒度的分子动力学模拟进行了额外的筛选。这些寻找新的存在的物理化学特征的模拟可以表明肽-膜结合的稳定性,如肽和膜之间接触的差异。 在48天内,我们的AI加速发现的分子设计方法使我们能够发现、合成和...
近期,深圳职业技术大学李竞白副教授课题组与美国东北大学史蒂文·洛佩斯(Steven Lopez)教授合作,开发了一种多尺度机器学习光动力学模拟的方法 [1]。 他们利用深度学习神经网络,加速分子聚集体激发态动力学的计算模拟过程,与传统基于量子力学计算的非绝热动力学方法相比,速度最高可提升 130 万倍。
GPTFF 模型成功模拟了钛从 HCP 到 FCC 的相变过程，系统包含 1008 个原子，在约 100K 低温下进行 NVT 模拟以避免热扰动。同时，他们还针对 Li3YCl6 系统进行了 300K 至 700K 温度范围内的分子动力学模拟，并计算了离子电导率，考虑到体积膨胀和相变影响，采用 NPT 集成方法和 optB88 校正的 DFT 获得约 2000...