研究进展：IBM，AI+分子动力学MD | Nature Machine Intelligence

本文针对传统分子动力学（MD）模拟因飞秒级积分步长导致计算成本高昂、难以探索长时间尺度与大规模系统的问题展开研究。IBM欧洲研究院与微软科学人工智能研究院的Fabian L. Thiemannl团队提出TrajCast框架，这是一种基于自回归等变消息传递神经网络的无力场分子动力学方法，直接预测原子在10-30倍大步长后的位置与速度，绕开传统力学求解与数值积分。在扑热息痛分子、α-石英晶体和液态水等系统上的基准测试结果表明，TrajCast在振动谱、能量分布、扩散系数等结构、动力学和能量性质上与参考MD模拟高度一致。值得注意的是，仅用常温液态水训练的模型，在零样本条件下成功预测了水在深过冷下的玻璃化转变过程。对于包含超过4000个原子的石英固体，TrajCast每天可生成超过15纳秒的轨迹数据，速度提升显著。该研究通过实现高效、大规模、长时程的模拟，有望加速材料发现，并探索传统方法难以企及的物理现象。