内容提要
小分子力场在药物发现中至关重要。尽管机器学习力场（MLFF）如ANI-2x提供高精度预测，但其训练数据需求大且推理速度慢。字节跳动的ByteFF力场通过图神经网络（GNN）预测传统力场参数，兼顾了精度与效率，测试结果显示其在结构优化和势能面预测上达到了最新水平。
关键要点
-
小分子力场在药物发现中至关重要，尤其在计算机辅助药物设计中。
-
机器学习力场（MLFF）如ANI-2x提供高精度预测，但训练数据需求大且推理速度慢。
-
Espaloma力场通过图神经网络（GNN）预测传统力场参数，平衡了精度与效率。
-
字节跳动的ByteFF力场在结构优化和势能面预测上达到了最新水平。
-
ByteFF模型结构包括Featurization、GNN和Output三层，确保参数预测符合物理限制。
-
研究人员构建了包含2.4M不同分子碎片的优化数据集和3.2M不同二面角的扭转数据集。
-
ByteFF在结构优化方面显著优于业界SOTA，能够准确预测小分子的二面角势能面。
-
ByteFF继承了GAFF2的非键参数，但在非键相互作用方面仍有提升空间。
-
ByteFF的免费API测试正在进行中，欢迎同行试用与反馈。
延伸问答
ByteFF力场的主要优势是什么？
ByteFF力场在结构优化和势能面预测上达到了最新水平，兼顾了精度与效率。
字节跳动是如何开发ByteFF力场的？
字节跳动通过图神经网络（GNN）预测传统力场参数，并构建了覆盖广阔化学空间的量化数据集。
ByteFF力场在药物发现中有什么应用？
ByteFF力场在计算机辅助药物设计中用于虚拟筛选、分子对接和自由能预测等方法。
ByteFF与传统机器学习力场相比有什么不同？
ByteFF通过GNN预测参数，减少了对大量训练数据的需求，并提高了推理速度。
ByteFF的模型结构是怎样的？
ByteFF的模型结构包括Featurization、GNN和Output三层，确保参数预测符合物理限制。
ByteFF在非键相互作用方面存在哪些问题？
尽管ByteFF继承了GAFF2的非键参数，但在非键相互作用方面仍有提升空间。
