Молекулярная динамика без расчёта сил с помощью авторегрессивных эквивариантных сетей

Почему важно ускорять «атомные фильмы»

Многие из самых любопытных вопросов в химии, физике и материаловедении сводятся к тому, как движутся атомы: как извивается молекула обезболивающего, как вибрирует кварц, как вода замерзает в странные стекловатые формы. Компьютерные эксперименты, называемые молекулярной динамикой, моделируют эти атомные фильмы, но они настолько требовательны к вычислениям, что учёные часто видят лишь крошечную часть происходящего. В этой статье представлен TrajCast — новая система искусственного интеллекта, которая учится перематывать эти атомные ленты вперёд без потери важной физики.

Новый обходной путь для моделирования атомов

Традиционная молекулярная динамика обновляет движение атомов путём многократного вычисления сил между ними и смещения положений малыми временными шагами, зачастую долями триллионной доли секунды. Даже при использовании машинного обучения для ускорения расчёта сил крошечный шаг времени всё ещё делает длинные «фильмы» дорогими. TrajCast идёт другим путём. Вместо предсказания сил он учится прыгать напрямую от одного полного снимка системы к следующему, прогнозируя одновременно, где окажется каждый атом и с какой скоростью он будет двигаться после гораздо большего интервала времени. В основе TrajCast лежит класс нейросетей, учитывающих симметрии трёхмерного пространства, так что повороты или перенос системы не вводят модель в заблуждение.

Обучение ИИ соблюдению физических законов

Чтобы служить надёжной заменой физическим моделям, TrajCast должен делать больше, чем рисовать правдоподобные картины: он должен воспроизводить статистику реального движения атомов. Авторы обучают модель на коротких точных симуляциях, сохраняющих энергию и импульс, и напрямую встраивают эти законы сохранения в сеть, чтобы предсказанные движения оставались физически согласованными. При длительных «прогоновах» TrajCast последовательно использует собственный выход как следующий вход, а термостатный модуль мягко корректирует скорости атомов, чтобы удерживать имитируемую температуру под контролем, как в стандартных симуляциях при постоянной температуре. Такая конструкция позволяет методу генерировать полные траектории, из которых учёные могут извлекать динамические, структурные и энергетические характеристики.

Испытание TrajCast

Команда проверяет TrajCast на трёх очень разных системах: одна молекула парацетамола в газовой фазе, кристаллический кварц и жидкая вода при комнатных условиях. В каждом случае они сравнивают траектории, сгенерированные ИИ, с обычными симуляциями, фокусируясь на показателях, таких как колебания атомов, распределение энергии и движение или диффузия молекул. Для парацетамола TrajCast использует временные шаги в четырнадцать раз больше ссылочной симуляции, но при этом точно воспроизводит спектр колебательных движений, разброс потенциальных энергий и ландшафт энергетических барьеров, управляющих переходами молекулы между формами. В кварце модель может безопасно делать прыжки в тридцать раз большие обычных, при этом сохраняя совпадение колебательных сигнатур и флуктуаций энергии твёрдого тела на наносекундных масштабах.

От жидкой воды к стекловатым состояниям

Жидкая вода представляет более жёсткую задачу, потому что молекулы постоянно образуют и разрывают водородные связи. Даже здесь, при временном шаге в десять раз больше, TrajCast отражает результаты ссылочных симуляций: он захватывает колебательные моды на разных частотах, воспроизводит то, как далеко молекулы воды перемещаются со временем, и даёт радиальные распределения, описывающие расположение молекул друг относительно друга. Авторы затем выводят модель далеко за пределы её зоны обучения. Используя версию, обученную только на жидкой воде при комнатной температуре, они постепенно охлаждают более крупную выборку, чтобы получить гиперзакалённую стекловатую воду — неупорядоченное твердое тело с тонкими структурными признаками. Поразительно, но ИИ отслеживает замедление диффузии, укорачивание и заострение структурных пиков и изменения показателей дальнего и ближнего порядка в тесном согласии с целевыми симуляциями, которые явно включают процессы охлаждения.

Что это значит для будущего открытия материалов

Обучившись продвигать «атомные фильмы» крупными, физически правдоподобными прыжками, TrajCast может генерировать наносекундные наборы траекторий для систем с тысячами атомов за время, в которое обычно успевают смоделировать значительно меньшее. Метод сохраняет достаточную детализацию для восстановления ключевых наблюдаемых величин, работает как с простыми молекулами, так и со сложными конденсированными фазами и даже может экстраполировать в новые режимы, такие как образование стекла, без дополнительного обучения. Хотя текущая версия пока не способна предсказывать свойства, зависящие от давления, и использует фиксированный шаг прогноза, она уже указывает на будущее, в котором симуляции с поддержкой ИИ сокращают разрыв между быстрыми микроскопическими движениями и медленными процессами, формирующими материалы и жидкости в реальном мире.

Цитирование: Thiemann, F.L., Reschützegger, T., Esposito, M. et al. Force-free molecular dynamics through autoregressive equivariant networks. Nat Mach Intell 8, 764–776 (2026). https://doi.org/10.1038/s42256-026-01227-7

Ключевые слова: молекулярная динамика, машинное обучение, атомистическая симуляция, наука о материалах, стекловатая вода