Нова студија објавена во The Journal of Chemical Physics покажува дека модел за вештачка интелигенција за молекуларна динамика може да постигне врвни резултати и без класичните вградени физички ограничувања. Истражувањето е дело на тим од BIFOLD во соработка со Google DeepMind.
Вообичаено, ваквите модели вградуваат правила како зачувување на енергијата и еквиваријантност, односно предвидувањата за силите да останат доследни без разлика на ориентацијата на молекулата во просторот. Наместо тоа, авторите го тестирале MD-ET, пристап базиран на edge transformer со минимални прилагодувања за доменот и без експлицитно вградени физички закони.
MD-ET бил преттрениран на околу 30 милиони молекуларни структури од базата QCML, а потоа дообучуван за конкретни целни системи. На повеќе стандардни бенчмаркови моделот дал конкурентни, а на дел и најдобри резултати. Авторите известуваат дека силите што ги предвидува се приближно еквиваријантни, со отстапувања многу помали од типичните вредности на силите.
Во NVT симулации (константна температура и број на честички), моделот покажал стабилно однесување дури и со мал број примери. Но, во NVE услови (фиксна енергија, без термостат) се појавуваат ограничувања: зачувувањето на енергијата е само приближно научено и чувствително на големината на молекулите и на нумерички нарушувања. Кај поголеми структури е забележан неконтролиран раст на енергијата.
Заклучокот е двоен: општонаменски архитектури, кога се тренирани на многу големи податочни множества, можат да научат дел од физичкото однесување без „тврдo кодирани“ правила. Сепак, за енергетски чувствителни сценарија е неопходна внимателна валидација, случај по случај, пред практична примена.
Трудот е: Max Eissler и соработници, „How simple can you go? An off-the-shelf transformer approach to molecular dynamics“, DOI: 10.1063/5.0295035.
