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。

研究人员提出了一种名为SO3krates的transformer架构，用于分子动力学模拟中的机器学习力场（MLFF）。该架构结合了稀疏等变表示和自注意力机制，实现了精确度、稳定性和速度的独特组合。SO3krates模型相比当前最先进的ML模型具有更好的稳定性和速度，能够在实际时间尺度上探索数十万个PES最小值，并能够检测训练数据中未包含的物理有效最小构象。未来的研究将集中于提高计算效率，实现高精度跨越MD时间尺度。