Langevin 流图：高效分子动力学和转变路径采样

分子动力学模拟通过在许多小的飞秒时间步长上积分 Langevin 方程来进行。这对估计更长时间尺度上发生的系综属性和过渡动力学提出了挑战。我们引入了 Langevin Flow Maps，它扩展了机器学习的力场，以额外学习随机 Langevin 积分器。我们表明，朗之万流图能够实现大时间步长分子动力学并恢复系统的精确动力学特性，同时运行速度比当前的机器学习力场快一个数量级。此外，通过训练在不同的分子数据集上，我们展示了一条通往可转移 Langevin Flow Maps 的路径。