Grappa -- A Machine Learned Molecular Mechanics Force Field

模拟大分子系统需要准确且高效的力场。近年来，E(3)等变神经网络缓解了计算效率和力场准确性之间的紧张关系，但它们仍比经典分子力学（MM）力场昂贵几个数量级。在这里，我们提出了一种新的机器学习架构，用于从分子图预测MM参数，采用图注意力神经网络和具有对称性保持位置编码的变压器。由此产生的力场Grappa在相同的计算效率下优于已有的和其他机器学习的MM力场，并且可以在现有的分子动力学（MD）引擎（如GROMACS和OpenMM）中使用。它可以预测小分子、肽、RNA的能量和力，并展示了其对化学空间未知区域（如自由基）的可扩展性，具有最先进的MM准确性。我们证明了Grappa在MD模拟中对大分子的可转移性，期间大蛋白质保持稳定，小蛋白质可以折叠。我们的力场为接近化学精度的生物分子模拟奠定了基础，但与已有的蛋白质力场相同的计算成本。

该论文提出了一种新的机器学习架构，从分子图中预测分子力场参数，以达到高精度的分子模拟。

该论文的关键思路是使用图注意力神经网络和保持对称的位置编码的变压器来预测分子力场参数，从而提高计算效率和精度。

该论文提出的力场Grappa在精度和计算效率方面均优于传统力场和其他机器学习力场。它可以用于小分子、肽、RNA和自由基等分子的模拟，并且在大分子的模拟中也表现出良好的可迁移性。该论文的实验设计合理，使用了多个数据集，并且开源了代码。

最近的相关研究包括使用深度学习预测分子力场参数的其他方法，如ANI和SchNet。