사전 학습된 신경망 기반 분자 시뮬레이션
기계 학습 기반 힘장(MLFF)은 다양한 분자, 재료, 하이브리드 계면의 분자 시뮬레이션에서 효율성, 정확성, 전이성, 확장성을 동시에 달성할 잠재력을 지닌다. 기존 생체 분자 역학 연구의 GEMS 접근법이 이러한 목표를 향한 중요한 진전을 이루었다. 본 연구는 SO3LR 방법을 제안한다. 이는 단거리 반발, 장거리 정전기 및 분산 상호작용을 위한 범용 쌍별 힘장과 준지역적 상호작용을 위한 빠르고 안정적인 SO3krates 신경망을 통합한다. SO3LR은 PBE0+MBD 양자 역학 수준에서 계산된 4백만 개의 중성 및 전하 분자 복합체 데이터셋으로 훈련되어, 공유 및 비공유 상호작용을 광범위하게 포괄한다. SO3LR은 계산 및 데이터 효율성, 단일 GPU에서 20만 개 원자로의 확장성, 그리고 유기 생체 분자의 화학 공간 전반에 걸쳐 합리적에서 높은 정확도를 특징으로 한다. 이 방법은 네 가지 주요 생체 분자 유형 단위, 폴리펩타이드 접힘, 그리고 단백질, 당단백질, 지질 이중층과 같은 대규모 시스템의 나노초 역학 연구에 명시적 용매 환경에서 적용되었다. 본 연구는 MLFF와 전통적인 원자 모델을 결합하여 진정으로 일반적인 분자 시뮬레이션을 향한 미래 과제를 논의한다. SO3LR은 복잡한 분자 시스템의 동역학을 예측하고 이해하는 데 기여하며, 재료 과학 및 생명 과학 분야의 발전에 중요한 도구가 될 것으로 기대된다.