AI赋能传统力场：字节跳动开发高精度通用小分子力场ByteFF

本篇文章给大家分享《AI赋能传统力场：字节跳动开发高精度通用小分子力场ByteFF》，覆盖了科技周边的常见基础知识，其实一个语言的全部知识点一篇文章是不可能说完的，但希望通过这些问题，让读者对自己的掌握程度有一定的认识(B 数)，从而弥补自己的不足，更好的掌握它。

字节跳动推出全新小分子力场ByteFF：兼顾精度与效率，覆盖广阔化学空间

编辑 | ScienceAI

小分子力场在药物发现领域至关重要，是计算机辅助药物设计的核心工具。一个覆盖范围广、精度高的小分子力场，将为药物研发提供坚实基础。

现有基于机器学习的力场（MLFF），例如ANI-2x和MACE-OFF23，虽然能提供精准的分子势能面预测，但却面临数据需求量巨大、计算速度慢以及外推能力不足等挑战，限制了其在药物研发中的实际应用。

Espaloma等一系列研究尝试在保留传统力场势函数形式的基础上，利用图神经网络（GNN）预测传统力场的参数，在精度和效率之间取得平衡，为传统力场的发展指明了新方向。

基于此，字节跳动研究团队开发了ByteFF力场。该力场采用符合物理约束的模型结构，构建了涵盖广泛化学空间的大规模数据集，并设计了相应的训练方案。测试结果表明，ByteFF在结构优化、分子势能面预测等多个方面均达到业界领先水平。

相关研究成果已发表在《Chemical Science》期刊上，论文标题为“Data-Driven Parametrization of Molecular Mechanics Force Fields for Expansive Chemical Space Coverage”。

论文链接：https://pubs.rsc.org/en/content/articlehtml/2025/sc/d4sc06640e

研究背景

在虚拟筛选、分子对接和自由能预测等计算方法中，小分子力场扮演着关键角色。随着计算机辅助药物设计（CADD）和有机合成技术的进步，药物研发探索的化学空间不断扩大，迫切需要一种能够在广阔化学空间内提供高精度预测的小分子力场。

近年来，量子化学和机器学习技术为传统力场的发展带来了新的机遇。虽然备受关注的MLFF能够提供高精度预测，但其模型复杂性导致训练数据需求量大、计算速度慢等问题，难以兼顾计算效率和化学空间覆盖范围。

2022年，Espaloma力场提出了一种兼顾精度和效率的新方法，即保留传统力场的势函数形式，并使用GNN预测力场参数，取代传统的查表方法。这种数据驱动的参数化方法在提高传统力场精度的同时，保持了计算效率。

在此基础上，提升力场精度和化学空间覆盖率，需要更精巧的模型结构设计和训练策略。

模型结构与训练策略

ByteFF模型结构分为特征提取层（Featurization）、图神经网络层（GNN）和输出层（Output）三部分。

特征提取层将原子和化学键的化学特征转换为向量表示。GNN层采用EGT结构进行信息传递，充分利用原子和键的特征，获得每个原子和键的化学环境表示。输出层根据化学环境预测力场参数。

ByteFF模型结构的设计保证了参数预测结果符合物理约束，例如相同化学环境的结构具有相同的结构参数预测，原子部分电荷之和等于分子的总电荷等。

在训练方面，研究团队构建了包含240万个不同分子碎片的优化数据集和320万个不同二面角的扭转数据集。基于这些数据集，研究人员设计了针对性的Hessian损失函数，能够对批量数据进行端到端训练。

由于传统力场形式的限制，难以完美拟合量子化学计算的势能面，研究人员在扭转数据集上采用了迭代的“结构优化-训练”策略，以确保ByteFF在二面角（关键自由度）上提供准确的势能面预测。

此外，研究团队还采用了预训练、训练和微调的多阶段训练流程，以达到最佳训练效果。

性能评估

在结构优化方面，ByteFF显著优于业界领先的OPLS4+ffbuilder（标记为“OPLS4 cst”）。

ByteFF能够准确预测小分子（包括环状和非环状分子）的二面角势能面。

更多结果请参考原文。

总结与展望

ByteFF力场凭借其先进的网络结构设计、充足的训练数据和匹配的训练方案，在结构优化和分子势能面预测等方面取得了显著成果。

ByteFF继承了GAFF2的非键参数，保证了与Amber力场的兼容性，但其非键相互作用方面仍有提升空间，这将是未来的研究重点。

目前，ByteFF免费API测试正在进行中，如有需求，请联系论文通讯作者并注明单位和用途。欢迎同行试用并提供反馈。

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于科技周边的相关知识，也可关注golang学习网公众号。