Langevin Flow Maps 无需轨迹数据即可学分子转移动力学
Niklas_TR · x · 2026-10-17
与 Hamiltonian Flow Maps 一样，Langevin Flow Maps 只需单个构象即可训练，不需要多时间点轨迹数据。作者特别兴奋的一点是 LFM 还能学到小分子体系的转移动力学，例如平均首达时间（MFPT）。配图显示 LFM 的积分吞吐约 1726 ps/min，远高于传统 MLFF 的 173 ps/min，且 MFPT、committor 概率与转移路径均与传统 MD 一致。
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
- 用 Opus 数小时设计出约 3.1 万美元开源低场 MRI 头部扫描仪 — DreamFly_13 · 2026-10-18
- 博士在自家棚屋建 Class 100 洁净室，开源家庭造芯片全流程指南 — jwt0625 · 2026-10-18
- MIT 发布多模态模型教 AI 看懂晶体 3D 结构 — MIT News AI · 2026-10-18
- GPG 投影的几何结构：马尔可夫链粗粒化新视角的工作进展 — michaelchchoi · 2026-10-18
- 无反向传播预训练提速 2.3 倍,Noise 方法逼近 Dust 纪录 — inductionheads · 2026-10-18
- q3dviewer 开源:像画画一样流畅编辑点群的 Qt+OpenGL 工具 — 4310sy · 2026-10-18