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。
近年来，基于第一性原理参考计算的机器学习力场（MLFFs）取得了进展。研究发现MLFFs中的稳定性与等变表示有潜在联系，但计算成本可能限制其优势。为解决问题，提出了一种称为SO3krates的Transformer架构，结合了稀疏的等变表示和能够分离不变和等变信息的self-attention机制。SO3krates实现了准确性、稳定性和速度的独特结合，能深入分析物质的量子性质。通过生成分子动力学轨迹和研究势能面拓扑，展示了SO3krates在稳定性和能量构象之间找到平衡的能力。
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。
完成下面两步后，将自动完成登录并继续当前操作。
