关于机器学习方法在自下而上的粗粒加工中出现的情况
Patrick G Sahrmann1, Gregory A Voth1
1Department of Chemistry, Chicago Center for Theoretical Chemistry, James Franck Institute, and Institute for Biophysical Dynamics, The University of Chicago, Chicago, IL 60637, USA.
Current opinion in structural biology
|January 3, 2025
概括
机器学习正在通过创建粗粒度力场来推进分子建模. 本综述探讨了使用这些人工智能方法在化学和生物系统中的潜力和障碍.
科学领域:
- 计算化学计算化学
- 生物物理学的生物物理.
- 材料科学 材料科学 材料科学
背景情况:
- 机器学习 (ML) 在计算化学中越来越多地被采用.
- 神经网络已经在学习原子力场方面取得了成功.
- 这使得人们对将ML应用于热力学粗粒加工产生了兴趣.
研究的目的:
- 审查ML对粗粒度力场的当前可行性.
- 讨论基于机器学习的粗粒度建模方面的挑战.
- 突出ML在各种粗粒度应用中的实用性.
主要方法:
- 关于机器学习在粗粒度建模中的最新文献的综述.
- 对神经网络应用程序进行分析,以开发力场.
- 探索ML在热力学粗粒化中的作用.
主要成果:
- 机器学习方法显示出开发精确的粗粒度力场的前景.
- 挑战包括数据要求和模型可解释性.
- 机器学习在粗粒度模拟的各个方面都有实用性.
结论:
- 机器学习是用于粗粒度力场开发的可行和强大的工具.
- 应对当前的挑战将进一步增强ML的影响.
- 机器学习集成对于推进分子和系统建模至关重要.


