分子动力学:从量子到AI的跨尺度革命
力场:力场是物理学中描述空间各点受力情况的矢量场,主要包括引力场、电场和磁场三大类型,是物质存在的一种形态,作为不同物质间“超距作用”的媒介,具有能量、质量和动量。其内涵表现为:量子场论认为力场的产生源于物理理论的规范对称性要求;广义相对论将重力场解释为时空广义协变性的产物。
分子动力学模拟是一种从微观出发的模拟手段,在科学发现,药物设计、材料设计等领域具有重要作用。
力场:
力场是物理学中描述空间各点受力情况的矢量场,主要包括引力场、电场和磁场三大类型,是物质存在的一种形态,作为不同物质间“超距作用”的媒介,具有能量、质量和动量。其内涵表现为:量子场论认为力场的产生源于物理理论的规范对称性要求;广义相对论将重力场解释为时空广义协变性的产物
计算机模拟
在计算化学和分子动力学模拟中,分子力场(Molecular Force Field)是一组用于描述分子内和分子间相互作用的数学函数。它将复杂的量子力学相互作用简化为经典的势能函数,以便在计算机上模拟大分子体系的结构和动力学行为。常见的分子力场包括AMBER、CHARMM和OPLS等,广泛应用于药物设计和材料科学

分子力场
一个力场通常包括三个部分:原子类型,势函数,和力场参数。也就是说不同的力场,他们的函数形式可能不一样,或者函数形式一样而力场参数不一样。其中,最关键的差别取决于分子力学模型,比如有的力场考虑氢键,有氢键函数;有的考虑极化,有极化函数。其次,分子力场参数都是拟合特定分子的数据而生成的,比如,面向生物模拟的力场选择生物领域的分子模拟得到参数,而材料的,则侧重选择材料方面的分子。这些被拟合的分子成为训练基(training set)
分子内相互作用模型

分子动力学的数学框架

典型的一个流程可以归纳于,比如我们像实验操作一样,准备一系列的样品,进行在计算机上进行我们相关的分子动力学模拟,并且对结果进行一些分析,得到我所关心的一个结果。
分子力场的发展:
过去50年,经典经验力场如AMBER、CHARMM在药物发现、生物分子动力学模拟等领域功不可没。但随着研究向高精度与高通用性拓展,这些力场逐渐暴露出难以跨系统泛化与精度受限等问题。
机器学习(ML)力场正在迅速崛起,尤其在材料模拟中已成为DFT替代方案之一。可是在复杂的有机分子和生物体系中,ML力场如何在保持高精度的同时具备可转移性(transferability)和计算效率,仍是重大挑战。
传统力场的“函数-参数”二元固定模式,本质是对量子力学势能面的低维近似;而MLFF通过数据驱动的非线性拟合,实现了对高维势能面的精准逼近。
MLFF的学术价值:
跨尺度模拟的实现
传统模拟中,量子力学(QM)适用于电子尺度(埃级,飞秒级),分子力学(MM)适用于介观尺度(纳米级,纳秒级),二者难以衔接。MLFF可作为QM与MM的“桥梁”,实现从电子结构到宏观动力学的跨尺度模拟,如锂电池中锂离子从体相到电极表面的迁移全流程追踪。
动态过程的量化解析
针对生命科学中的蛋白质构象跃迁、材料科学中的催化反应路径等动态过程,MLFF可通过长时间尺度模拟捕获稀有事件(Rare Events),结合自由能计算方法(如元动力学、伞形采样)量化过程的能垒与动力学特征,为实验设计提供定量依据。
高通量筛选的加速
在新材料与新药物的高通量筛选中,MLFF可快速评估大量候选分子/材料的关键性能(如药物分子与靶点的结合能、电池材料的扩散系数),将筛选规模从传统方法的数百个提升至数万个,同时保持与QM相当的精度。
机器学习力场已经被广泛用在势能面相关性质探索的任务上:采样,热力学性质,反应,光谱,激发态,光谱,核量子效应
前沿示例
AI²BMD的提出标志着生物分子模拟领域的一次重要“范式转变”(Paradigm Shift)。它巧妙地利用“通用碎片化”策略与等变图神经网络,成功打破了传统分子动力学在“量子精度”与“计算规模”之间的零和博弈,将高精度的 DFT 计算能力从几十个原子扩展到了上万个原子,并且不需要针对特定蛋白重新训练,解决了先前MLFF常见的泛化性问题。
MindSpore一种“类AI”的分子动力学模拟程序架构,可以如执行 AI 训练那样运行分子动力学(molecular dynamics, MD)模拟程序。在该架构下,MD 模拟被看作一种特殊的 AI 训练过程,原子坐标相当于神经网络参数,势能函数相当于作为优化目标的损失函数,而 MD 积分器则相当于一种特殊的AI优化器。根据这种相似性逻辑,分子模拟程序可以自然而然地在AI框架中重构,高毅勤教授团队因此基于华为全场景 AI 框架昇思 MindSpore,开发了 AI 原生分子模拟程序 MindSPONGE。
欢迎大家留言讨论
参考链接———————————————————————————————————————————
https://mp.weixin.qq.com/s/7Zza-nKB5s_C0kvQ5gj3Yw
AI²BMD🔗原文链接:https://doi.org/10.1038/s41586-024-08127-z
更多推荐
所有评论(0)