AceFF : un potentiel d'apprentissage automatique de pointe pour les petites molécules
AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules
January 2, 2026
papers.authors: Stephen E. Farr, Stefan Doerr, Antonio Mirarchi, Francesc Sabanes Zariquiey, Gianni De Fabritiis
cs.AI
papers.abstract
Nous présentons AceFF, un potentiel interatomique par apprentissage automatique pré-entraîné optimisé pour la découverte de médicaments à petites molécules. Bien que les potentiels interatomiques par apprentissage automatique soient apparus comme des alternatives efficaces à la théorie de la fonctionnelle de la densité (DFT), leur généralisation à divers espaces chimiques reste difficile. AceFF résout ce problème via une architecture TensorNet2 raffinée, entraînée sur un jeu de données complet de composés de type médicamenteux. Cette approche produit un champ de force qui équilibre vitesse d'inférence à haut débit et précision au niveau DFT. AceFF prend entièrement en charge les éléments essentiels de la chimie médicinale (H, B, C, N, O, F, Si, P, S, Cl, Br, I) et est explicitement entraîné pour gérer les états chargés. La validation par rapport à des benchmarks rigoureux, incluant des scans d'énergie torsionnelle complexes, des trajectoires de dynamique moléculaire, des minimisations par lots, ainsi que la précision des forces et de l'énergie, démontre qu'AceFF établit un nouvel état de l'art pour les molécules organiques. Les poids du modèle AceFF-2 et le code d'inférence sont disponibles à l'adresse 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.