Langevin Flow Maps：分子动力学提速一个数量级
热点事件持续更新
Langevin Flow Maps：分子动力学提速一个数量级
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
Sam McCallum等作者提出 Langevin Flow Maps 方法，将机器学习力场扩展为同时学习随机 Langevin 积分器。据该研究，这一方法可实现大时间步分子动力学并准确还原体系动力学性质，运行速度比现有机器学习力场快一个数量级。 研究还通过在多样化分子数据集上训练，展示了构建可迁移 Langevin Flow Maps 的路径，目标应用包括分子动力学与过渡路径采样。
AI 根据报道生成 · 2 小时前更新
最新进展10月15日 12:00
Langevin Flow Maps：高效分子动力学与过渡路径采样报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv cs.LGLangevin Flow Maps：高效分子动力学与过渡路径采样
Langevin Flow Maps 将机器学习力场扩展为同时学习随机 Langevin 积分器，实现大时间步分子动力学并准确还原体系动力学性质，运行速度比现有机器学习力场快一个数量级。研究还通过在多样化分子数据集上训练，展示了构建可迁移 Langevin Flow Maps 的路径。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。