Langevin流映射加速分子動力學模擬

方法概要

Langevin Flow Maps透過學習Langevin動力學的流形映射，把分子動力學模擬與過渡路徑採樣結合起來，令系統能夠無偏地生成軌跡，同時識別跨越能壘的重要路徑。

技術特點

方法以神經網絡參數化連續時間隨機微分方程，在複雜能壘穿越問題中表現優越，兼具物理可解釋性與計算可擴展性，相比傳統採樣策略在效率與路徑重構精度上均有提升。

問題背景

分子動力學模擬長期受制於稀有事件採樣的困難：蛋白質摺疊或化學反應等過程跨越高能壘，直接模擬所需時間遠超實際可承受範圍，過渡路徑採樣因此成為計算生物物理的關鍵課題。

應用與團隊

研究由巴斯大學與AITHYRA的團隊完成，論文以預印本形式發布於arXiv。方法可應用於蛋白質摺疊、化學反應等生物物理建模場景，為罕見事件模擬提供新的技術路線。