高性能计算（HPC）在科学研究和工程中变得越来越重要，通过并行处理提高计算效率。GROMACS和LAMMPS是常用的分子动力学模拟工具，而VASP和MATLAB则专注于特定领域的建模。多种教程帮助用户掌握这些工具，提升计算效率。

自2018年AlphaFold问世以来，蛋白质结构预测领域取得显著进展。最新研究提出的AlphaFold-Metainference方法，通过结合AlphaFold预测的对齐误差与分子动力学模拟，成功构建了无序蛋白质结构集合，拓展了AlphaFold的应用，为无序蛋白质研究提供了新思路。

本研究提出了一种集成知识蒸馏方法，旨在解决机器学习原子间势在数据不足和量子化学理论局限下的精度问题。该方法在ANI-1ccx数据集上实现了先进的精度，并提高了分子动力学模拟的稳定性。

本研究提出了一种通过减少特征相关性来提高GNN力场模型稳定性的方法，旨在增强分子动力学模拟的稳定性。研究表明，特征相关性与模型稳定性负相关，并设计了动态损失系数调度器，显著提升了模型在分布外数据中的稳定性，计算开销保持在3%以下。

本研究提出了MDCrow，一个用于自动化分子动力学模拟的代理型大语言模型助手。MDCrow利用40个专家设计的工具，在复杂任务中展现出低方差和高鲁棒性，具有对生物分子系统研究的潜在影响。

蛋白质的功能依赖于其动态3D结构。复旦大学团队提出的4D扩散模型AlphaFolding，结合分子动力学模拟，能够高精度预测蛋白质的动态行为，推动药物设计和生命科学研究。

本文提出了一种无监督机器学习的谱图方法，优化分子动力学模拟中状态转变的集体变量选择，从而增强对稀有事件物理特性的理解。

本研究提出了一种名为PACE的全新等变网络，旨在解决传统深度模型在分子动力学中预测原子势能和力场的不足。实验结果表明，PACE在多种情境下表现出优越的性能和良好的泛化能力。

本研究提出了一种新型相无关耦合项$ abla^2$，有效解决激发态分子动力学模拟中的不连续性问题，显著提升机器学习模型的稳定性和准确性，展现了广泛的应用潜力。

本研究引入P5模型，通过强化学习提升分子动力学模拟效率，优化聚合物链构象采样，提高效率37.1%。强化学习作为归纳偏置，调节布朗力，引导系统进入优选状态，扩大配置空间探索，生成多样化构象，促进聚合物开发、药物发现和材料设计。

该文章介绍了得分动力学（SD）框架，用于从分子动力学（MD）模拟中学习高效演化算子。研究者构建了基于图神经网络的得分动力学模型，并通过案例研究展示了其在真实分子系统演化中的性能。得分动力学在平衡预测和动力学预测上具有8-18倍的计算速度提升。研究者还讨论了改进得分动力学的挑战和未来解决方案。