AceFF: Un Potencial de Aprendizaje Automático de Vanguardia para Moléculas Pequeñas
AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules
January 2, 2026
Autores: Stephen E. Farr, Stefan Doerr, Antonio Mirarchi, Francesc Sabanes Zariquiey, Gianni De Fabritiis
cs.AI
Resumen
Presentamos AceFF, un potencial interatómico de aprendizaje automático (MLIP) preentrenado y optimizado para el descubrimiento de fármacos de pequeñas moléculas. Si bien los MLIP han surgido como alternativas eficientes a la Teoría del Funcional de la Densidad (DFT), la generalización a través de diversos espacios químicos sigue siendo un desafío. AceFF aborda este problema mediante una arquitectura TensorNet2 refinada, entrenada en un conjunto de datos exhaustivo de compuestos similares a fármacos. Este enfoque produce un campo de fuerzas que equilibra la velocidad de inferencia de alto rendimiento con una precisión a nivel DFT. AceFF admite todos los elementos esenciales de la química medicinal (H, B, C, N, O, F, Si, P, S, Cl, Br, I) y está explícitamente entrenado para manejar estados cargados. La validación frente a benchmarks rigurosos, que incluyen escaneos de energía torsional complejos, trayectorias de dinámica molecular, minimizaciones por lotes, y la precisión de fuerzas y energía, demuestra que AceFF establece un nuevo estado del arte para moléculas orgánicas. Los pesos del modelo AceFF-2 y el código de inferencia están disponibles en https://huggingface.co/Acellera/AceFF-2.0.
English
We introduce AceFF, a pre-trained machine learning interatomic potential (MLIP) optimized for small molecule drug discovery. While MLIPs have emerged as efficient alternatives to Density Functional Theory (DFT), generalizability across diverse chemical spaces remains difficult. AceFF addresses this via a refined TensorNet2 architecture trained on a comprehensive dataset of drug-like compounds. This approach yields a force field that balances high-throughput inference speed with DFT-level accuracy. AceFF fully supports the essential medicinal chemistry elements (H, B, C, N, O, F, Si, P, S, Cl, Br, I) and is explicitly trained to handle charged states. Validation against rigorous benchmarks, including complex torsional energy scans, molecular dynamics trajectories, batched minimizations, and forces and anergy accuracy demonstrates that AceFF establishes a new state-of-the-art for organic molecules. The AceFF-2 model weights and inference code are available at https://huggingface.co/Acellera/AceFF-2.0.