Langevin Flow Maps:让神经网络势学自己的积分器,模拟快一个数量级
Niklas_TR · x · 2026-10-17
论文《Langevin Flow Maps: Efficient Molecular Dynamics and Transition Path Sampling》(arXiv:2610.05998)提出将机器学习力场(ML force fields)扩展到同时学习随机 Langevin 积分器。
- 动机:传统分子动力学需在飞秒级小步长上积分 Langevin 方程,难以估计远超此时间尺度的系综性质与跃迁动力学。
- 方法:Langevin Flow Maps 学习自己的随机路径解,支持大步长分子动力学。
- 结果:能恢复体系的准确动力学性质,速度比现有机器学习力场快一个数量级;且不需要轨迹数据即可训练。
- 可迁移性:在多样化分子数据集上训练,展示了可迁移 Langevin Flow Maps 的路径。
代码与数据已开源,由 Sam McCallum、Niklas Rindtorff、Alexander Tong、James Foster 合作完成。
所属事件:Langevin Flow Maps：自学会积分器的神经网络势加速分子动力学(10 条相关)→
「研究」频道最新
- 数学预印本新仓库 Hexagon 上线，收录 arXiv 不收的研究成果 — tak3sh8 · 2026-10-18
- Periodic 创始人 CoLM 演讲：自训模型终将跨越前沿模型拐点 — heghbalz · 2026-10-18
- PNAS 论文:生物突触可自组装出逼近梯度下降的学习规则 — xuanalogue · 2026-10-18
- SGPnP 论文获 IEEE 接收：扩散模型直插 PnP 重建框架 — prof_kamilov · 2026-10-18
- Stanford 教授 Surya Ganguli 长讲：从统计物理溯源 Scaling Laws — burny_tech · 2026-10-18
- Domingos：叠加是特性而非缺陷，不损可解释性反增记忆容量 — pmddomingos · 2026-10-18