💻 computer science

Towards trajectory-unsupervised physics-informed neural solvers for molecular dynamics

本文介绍了 DINaMo，这是一个物理信息神经网络框架，它仅通过控制物理定律和初始条件来学习分子动力学轨迹，而不依赖于任何模拟器生成的训练数据，证明了在 Lennard-Jones 系统中恢复具有物理意义的短期动力学的可行性。

原作者： Petros Triantafyllos, Panagiotis Krokidas, Christoforos Rekatsinas

发布于 2026-08-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Petros Triantafyllos, Panagiotis Krokidas, Christoforos Rekatsinas

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个你可以观察原子无形舞动的世界，这些原子是构成从你呼吸的空气到你正在阅读此内容的屏幕中一切事物的微小构建模块。这就是**分子动力学（Molecular Dynamics, MD）**的领域。把它想象成一部用于微观宇宙的高速电影摄像机。科学家们利用功能强大的计算机，根据物理定律来模拟这些原子如何移动、碰撞和粘合在一起。这就像试图预测台球桌上每一颗台球的路径，只不过你面对的不是几颗球，而是数十亿颗球，而且它们的移动速度之快，以至于即使是最优秀的计算机也难以跟上。

这种传统的方法就像一位非常谨慎、循序渐进的会计师。计算机计算出原子在某一极短瞬间的位置，然后利用物理定律来推算它们在极短一瞬之后的位置，接着重复这一过程，一次又一次。这种方法很精确，但极其缓慢且乏味。因此，许多科学家转向了人工智能（AI）来加速这一过程。通常情况下，这些 AI 模型就像是通过背诵老师给出的答案来学习的学生。它们被喂入来自那些缓慢传统模拟的大量数据，并被教会去猜测下一步的动作。但如果老师不在场呢？如果我们希望 AI 学习的是游戏的“规则”，而不仅仅是背诵答案呢？这是一个大问题：AI 能否仅通过了解物理定律，而不看任何预先计算好的原子运动视频，就推算出原子的运动方式？

这篇论文介绍了一种名为 DINaMo（可微牛顿分子求解器，Differentiable Newtonian Molecular Solver）的新型 AI 工具，它试图对这个问题回答“可以”。DINaM0 不再像是一个背诵教科书的学生，它更像是一个侦探，手里只有犯罪现场的物理定律和嫌疑人的初始位置。研究人员在训练这个 AI 时，仅使用了基础的运动方程（牛顿定律）、能量守恒定律，以及关于原子如何相互推拉的数学描述。他们没有向它喂入任何预录制的原子运动视频，没有提供任何“正确”答案，也没有使用来自其他模拟的数据。他们只是给了它初始状态和规则，然后让它自行推导剩余的部分。

结果令人期待，尽管也存在一些局限性。在测试中，DINaMo 成功预测了一组 50 到 500 个氩原子在极短时间内的运动方式。该 AI 成功重现了原子的位置、速度，甚至包括它们如何聚集在一起，而这一切都是在从未见过“正确”路径作为模仿对象的情况下完成的。它对能量的把握也非常准确，这意味着原子在移动过程中不会凭空获得或失去能量，而这是物理学的一项严格要求。然而，论文指出，这种成功目前仅限于非常短的时间窗口。当模拟尝试向更远的未来进行预测时，原子速度上的微小误差开始堆积，导致预测的准确性下降。

研究人员发现，虽然该 AI 处理较大规模原子群（500 个而非 50 个）的效果与处理较小规模群体一样好，但延长其预测时间才是真正的挑战。这就像预测一个弹跳球的路径：你可以预测对几次弹跳，但如果你试图一次性预测一千次弹跳，你第一次猜测中的微小错误最终会使整个预测偏离轨道。尽管如此，这项研究表明，仅利用物理定律作为“老师”，而不依赖大规模预模拟数据集，生成具有物理意义的分子轨迹确实是可能的。这为一种新型 AI 求解器开启了大门，这种求解器学习的是运动的“为什么”，而非仅仅是“是什么”，从而为解决化学和材料科学中那些传统模拟过于缓慢且对数据需求过高的复杂问题，提供了一种全新的途径。

技术摘要：迈向用于分子动力学的轨迹无监督物理信息神经网络求解器

1. 问题陈述

分子动力学（MD）模拟受显式运动方程支配，然而大多数旨在加速或模拟 MD 的现有神经方法都高度依赖于由模拟器生成的轨迹、力和能量进行训练。这种对“轨迹监督”的依赖限制了泛化能力，因为模型往往难以外推到特定的训练领域之外，或者需要庞大的数据集，而这些数据集可能会遗漏稀有的高性能候选对象。

这项工作所解决的核心问题是：在不使用模拟器生成的轨迹、力、速度或能量作为监督目标的情况下，能否直接从支配物理定律中恢复出具有物理意义的分子轨迹？

虽然物理信息神经网络（PINNs）提供了一个通过物理方程而非数据进行训练的框架，但先前的物理信息 MD 求解器尝试（例如 PND、NP-SNN）仍然依赖于数据匹配项（将预测值与模拟器展开进行比较）或在损失函数中引入显式的位移项。一种完全由物理驱动的表述——即轨迹仅从运动方程和守恒定律中涌现出来——仍然是一个开放性的挑战。

2. 方法论：DINaMo

作者引入了 DINaMo（可微牛顿分子求解器），这是一个轨迹无监督、物理信息的神经框架。DINaMo 将分子轨迹表示为以平衡初始状态为条件的、关于时间的单个连续且可微的函数 $\mathbf{r}_\theta(t)$ 。

核心架构与表示

全局轨迹表示： 与自回归时间步进器不同，DINaMo 将整个短时轨迹窗口 $[0, T]$ 作为一个函数进行预测。速度和加速度通过对位置函数进行精确的自动微分获得，从而确保了运动学的一致性。
硬初始条件假设： 为了在不使用惩罚项的情况下强制执行精确的初始条件 ( $\mathbf{r}_0, \mathbf{v}_0, \mathbf{a}_0$ )，轨迹构建如下：
$\mathbf{r}_\theta(t) = \mathbf{r}_0 + t\mathbf{v}_0 + \frac{1}{2}t^2\mathbf{a}_0 + T^2 s^3 \mathbf{g}_\theta(s; \mathbf{r}_0, \mathbf{v}_0)$
其中 $s = t/T$ 是归一化时间， $\mathbf{g}_\theta$ 是神经网络的输出。该多项式基准捕捉了分析得知的短时运动（泰勒展开），使得网络能够专注于处理非线性偏离部分。
激活函数： 网络使用光滑反平方根单元（ISRU）激活函数，该函数因其具有良好的一阶和二阶导数而被选中，这对于计算加速度和能量变化率至关重要。

纯物理训练目标

训练目标完全由物理残差组成；没有使用任何模拟器数据作为目标。损失函数由一系列项组成：

牛顿残差： 主要项最小化预测加速度 ( $m\ddot{\mathbf{r}}$ ) 与解析 Lennard-Jones 力 ( $\mathbf{F}(\mathbf{r})$ ) 之间的差异。
守恒残差： 动量和能量守恒作为一致性正则项。
增广拉格朗日能量速率约束： 该方法不使用固定的惩罚权重，而是使用增广拉格朗日项动态调整惩罚权重以强制实现零能量漂移 ( $\frac{dE}{dt} = 0$ )，确保总能量保持有界。
因果加权： 残差根据“时间箭头”进行加权。早期时间步的巨大误差会抑制后期步骤的优化压力，直到早期轨迹得到修正，从而防止优化器为了拟合后期状态而错误地拟合早期状态。
后期阶段残差挖掘： 为了防止局部误差被全局平均值掩盖，该方法对最大的残差应用 top- $k$ 挖掘，并在训练后期强调时间窗口的尾部。

训练程序

求解器在与 MD 时间步长对齐的固定配置网格上进行训练。对于每个初始条件，都会优化一个单独的网络。该方法是“轨迹无监督”的，因为它仅使用初始状态、解析力定律和守恒定律；所有后续的 NVE 状态在训练期间都被保留，仅用于评估。

3. 关键结果

该方法在微正则系综（NVE）下，针对 Lennard-Jones 氩系统在三种实验设置中进行了评估：

基础情况 ( $N=50, \rho=0.15, T=0.12$ )：
- 模型实现了高精度，位置误差 $< 5 \times 10^{-5} \sigma$ ，速度误差 $< 2 \times 10^{-3} \sigma/\tau_{LJ}$ 。
- 总能量漂移与参考速度-韦尔勒（velocity-Verlet）积分器相当。
- 径向分布函数 ( $g(r)$ ) 被准确重现，在未将其作为训练目标的情况下保留了结构统计特性。
扩展时界 ( $N=50, \rho=0.15, T=0.20$ )：
- 物理相干性（能量守恒和结构统计）在较长窗口内得以维持。
- 然而，轨迹精度有所下降，特别是在速度方面（最大误差 $\approx 1.57 \times 10^{-1} \sigma/\tau_{LJ}$ ）。
- 分析表明，动能和势能误差呈反相增长，从而在总能量中相互抵消。这表明主要的失效模式是能量交换中的相位失配，而非失去守恒性。
稠密缩放 ( $N=500, \rho=0.50, T=0.12$ )：
- 与以往依赖数据的物理信息求解器（如 PND）在稠密系统中表现挣扎不同，DINaMo 保持了高精度。
- 最大位置误差为 $1.18 \times 10^{-5} \sigma$ ，且准确恢复了具有第一近邻峰 $\approx 3.5$ 的类液体 $g(r)$ 。
- 这证明了该方法处理强多体作用力变化和局部堆积相关性的能力。

4. 重要性与主张

论文声称，具有物理意义的分子轨迹可以直接从仅基于物理的监督中涌现，而无需从预计算的模拟器展开中学习。

轨迹无监督求解器的可行性： 结果支持了仅依赖于控制方程（牛顿定律、守恒定律和解析势能）而非数据回归的物理信息求解器的可行性。
全局与局部优化： 通过将轨迹表示为全局可微函数，DINaMo 避免了典型步进积分器中常见的逐步累积积分误差，尽管这同时也将难度转移到了全局优化上。
结构保真度： 在没有显式标签的情况下恢复径向分布函数 ( $g(r)$ ) 和能量守恒，表明该网络学习的是底层的动力学过程，而不仅仅是匹配坐标统计特性。

作者对目前的范围保持谦逊，指出该方法目前仅限于短时间窗口（最高达 $T=0.20 \tau_{LJ}$ ）且是特定实例的（为每个初始条件训练单独的模型）。该工作并不声称已经取代了用于长时间生产模拟的显式 MD 积分器，而是确立了可以通过初始状态和物理定律在非平凡的早期时间窗口内恢复分子初值问题的解。未来的工作被确定为通过窗口延续来延长物理时间、在不同初始状态间实现求解器的摊销，以及提高导数精度。