Force-Free Molecular Dynamics Through Autoregressive Equivariant Networks

分子动力学（MD）模拟在科学研究中发挥着至关重要的作用。然而，其计算成本常常限制了可探索的时间尺度和系统大小。大多数数据驱动的努力都集中在减少求解运动方程所需的精确原子间力的计算成本上。尽管这些机器学习原子间势能（MLIPs）取得了成功，但它们仍然受限于小时间步长。在这项工作中，我们引入了TrajCast，这是一种基于自回归等变消息传递网络的可迁移且数据高效的框架，它直接更新原子位置和速度，从而摆脱了传统数值积分施加的约束。我们在多个系统上对我们的框架进行了基准测试，包括小分子、晶体材料和体相液体，结果表明，TrajCast在结构、动力学和能量特性方面与参考分子动力学模拟具有极好的一致性。根据系统的不同，TrajCast允许的预测时间间隔比传统分子动力学时间步长高出多达30倍，每天可以为包含超过4,000个原子的固体生成超过15纳秒的轨迹数据。通过实现长时间尺度上的高效大规模模拟，TrajCast能够加速材料发现，并探索超出传统模拟和实验范围的物理现象。TrajCast的开源实现可在https://github.com/IBM/trajcast获取。

该论文试图解决分子动力学（MD）模拟中计算成本高、时间步长小的问题，从而限制了可探索的时间尺度和系统大小。这是一个长期存在的问题，尽管已有许多研究尝试通过机器学习改进原子间势能来解决部分问题，但时间步长的限制仍未被有效突破。

TrajCast 提出了一种基于自回归等变消息传递网络的新框架，直接更新原子位置和速度，绕过了传统数值积分方法对时间步长的约束。相比现有方法，这种方法能够显著增加预测的时间间隔（最高可达30倍），从而加速大尺度材料模拟并探索更长时间尺度的现象。

1. TrajCast 在多个系统上进行了验证，包括小分子、晶体材料和液体，结果与参考 MD 模拟高度一致。 2. 对于超过4,000个原子的固体系统，TrajCast 可以每天生成超过15纳秒的轨迹数据。 3. 开源代码已发布在 GitHub 上（https://github.com/IBM/trajcast），便于社区复现和进一步开发。 4. 研究表明，未来可以深入探索 TrajCast 在更大规模系统和更复杂物理现象中的应用潜力。

近期相关研究包括： 1. 使用神经网络构建机器学习原子间势能（MLIPs）的研究，如 SchNet 和 DFTB+。 2. Graph Neural Networks (GNNs) 在分子动力学中的应用，例如 DeepMD 和 PhysNet。 3. 其他尝试改进时间步长或模拟效率的方法，如「Learning Hamiltonian Dynamics by Reservoir Computing」和「Graph Neural Networks for Molecular Dynamics with Long-Range Interactions」。