基于机器学习和增强抽样的高精度分子模拟方法的发展和应用

Molecular simulations play more and more important roles in the studies of modern chemistry, physics, biology and material sciences. However, due to the slow conformation sampling and low precision of molecular force fields, the applications of molecular simulations in complex systems are still severely limited. The main goal of this project is the developments of highly efficient enhanced sampling methods, polarizable molecular force fields and QM/MM simulation strategies with high precision and low computational cost, by applying integrated tempering enhanced sampling and machine learning techniques. The efficient conformational sampling of integrated tempering enhanced sampling and powerful optimization and characteristic mapping of machine learning (such as neural network and genetic algorithm) are well combined to unlash the power of both methods. The molecular simulation methods developed based on machine learning would greatly promote the understanding of complex systems at molecular level.

分子模拟作为一个重要的理论工具，在现代化学、物理、生物和材料等相关学科的研究中起着越来越重要的作用，然而分子模拟在复杂体系中的应用目前仍然严重受制于构象取样速度慢和分子力场精度低两大困难。本课题旨在通过应用和结合温度积分增强抽样方法和机器学习技术，发展高效的增强抽样算法、高精度低计算开销的可极化分子力场和量子力学/分子力学（QM/MM）模拟方法。本课题以温度积分增强抽样方法高效的构象抽样能力和机器学习技术（神经网络、遗传算法）强大的参数优化和特征映射功能为契合点，充分发挥不同研究手段各自的优势，预计我们借助机器学习发展的分子模拟方法将促进对于复杂体系的分子层次的深入理解。

随着人工智能软硬件技术的飞速进步，特别是受到AlphaFold在蛋白质结构预测领域取得重大突破的鼓舞，人工智能技术在科学研究领域的应用越来越广泛和深入。分子模拟作为一个可以在微观分子世界与宏观可观测量之间搭建桥梁的理论工具，在现代化学、物理、生物和材料等相关学科的研究中起着重要作用，而如何利用人工智能技术拓展分子模拟的时空尺度是当前的研究热点。本项目的研究致力于充分发挥增强采样方法高效的构象采样能力和机器学习技术强大的参数优化和特征映射功能，发展更为高效的增强采样方法和高精度力场。我们也注重将传统和智能化的增强采样方法应用到复杂体系的分子模拟研究中，一方面不断验证和完善算法，另一方面也为更进一步的机器学习模型开发积累数据和经验。在算法发展和实际应用的基础上，本项目开发了具有自主知识产权的分子模拟软件，更瞄准引领智能分子模拟软件开发的目标，积极与国内顶尖的人工智能技术团队合作，共同开发了原生于深度学习框架的下一代分子模拟软件。项目按计划完成了任务，发表论文16篇，培养博士毕业生4人。