AceFF: un potenziale di machine learning all'avanguardia per le piccole molecole

AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules

January 2, 2026

Autori: Stephen E. Farr, Stefan Doerr, Antonio Mirarchi, Francesc Sabanes Zariquiey, Gianni De Fabritiis

cs.AI

Abstract

Introduciamo AceFF, un potenziale interatomico pre-addestrato basato su machine learning (MLIP) ottimizzato per la scoperta di farmaci a piccole molecole. Sebbene gli MLIP siano emersi come alternative efficienti alla Teoria del Funzionale della Densità (DFT), la generalizzabilità attraverso diversi spazi chimici rimane difficile. AceFF affronta questa sfida tramite un'architettura TensorNet2 raffinata, addestrata su un dataset completo di composti simili a farmaci. Questo approccio produce un campo di forze che bilancia la velocità di inferenza ad alto throughput con l'accuratezza a livello DFT. AceFF supporta completamente gli elementi essenziali della chimica farmaceutica (H, B, C, N, O, F, Si, P, S, Cl, Br, I) ed è esplicitamente addestrato per gestire stati carichi. La validazione rispetto a benchmark rigorosi, incluse scansioni complesse di energia torsionale, traiettorie di dinamica molecolare, minimizzazioni in batch e accuratezza di forze ed energia, dimostra che AceFF stabilisce un nuovo stato dell'arte per le molecole organiche. I pesi del modello AceFF-2 e il codice per l'inferenza sono disponibili su 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.