On the design space between molecular mechanics and machine learning force fields

机器学习力场（MLFF）是生物物理学家最热切的梦想之一，它可以像量子力学（QM）一样准确，像分子力学（MM）一样快速，可以有效地模拟生物分子系统，从而得到定量的见解。然而，这个梦想不会很快实现。MLFF代表了这个方向上的一个有意义的努力，其中，可微分的神经函数被参数化来适应从头算出的能量，进而通过自动微分计算出力。我们认为，目前MLFF模型的实用性主要受到速度（以及稳定性和通用性）的限制，因为许多最近的变体，在有限的化学空间内，已经远远超过了1 kcal/mol的化学精度，这是实现现实化学预测的经验阈值，但仍然比MM慢几个数量级。在本文中，我们希望激发对更快速但可能略微不太准确的MLFF的探索和设计，重点关注MM和ML力场之间的设计空间（速度-精度权衡）。在简要回顾两种力场的构建模块之后，我们讨论了力场开发社区现在面临的所需属性和挑战，调查了使MM力场更准确和ML力场更快速的努力，并设想了下一代MLFF可能的样子。

论文试图通过机器学习力场（MLFF）解决分子模拟中速度和精度的平衡问题，探索更快但仍具有一定准确性的MLFF设计空间。

论文提出通过使用可微分神经网络来拟合从头算能量和力，从而设计更快的MLFF模型。作者还讨论了MM和MLFF之间的速度和准确性权衡，并提出了一些改进的方向。

论文介绍了MLFF的基本构建块和现有的方法。作者强调了当前MLFF模型的速度问题，并提出了一些解决方案，例如使用可分离的MLFF和硬件加速。实验结果表明，一些MLFF模型已经超过了1 kcal/mol的化学精度阈值。作者还开源了他们的代码。

最近的相关工作包括使用不同的神经网络架构和训练算法来设计更快的MLFF，以及使用深度学习来加速MM。相关论文包括“Neural Force Field for Molecular Dynamics Simulations”和“Deep Potential Molecular Dynamics: a Scalable Model with the Accuracy of Quantum Mechanics”。