AceFF: 小分子向け最先端機械学習ポテンシャル

要旨

我々は、低分子創薬に最適化された事前学習済み機械学習原子間ポテンシャル（MLIP）であるAceFFを紹介する。密度汎関数理論（DFT）の効率的な代替手法として登場したMLIPであるが、多様な化学空間にわたる一般化は依然として困難である。AceFFは、創薬候補化合物の包括的データセットで学習させた改良型TensorNet2アーキテクチャによりこの課題に取り組む。このアプローチにより、高速なスループット推論速度とDFTレベルの精度を両立する力場を実現した。AceFFは主要な医薬化学元素（H, B, C, N, O, F, Si, P, S, Cl, Br, I）を完全にサポートし、荷電状態の処理を明示的に学習している。複雑なトーションエネルギー走査、分子動力学軌跡、バッチ化された最小化計算、力及びエネルギーの精度を含む厳密なベンチマークによる検証により、AceFFが有機分子において新たな最高精度を確立することを実証した。AceFF-2のモデル重み及び推論コードはhttps://huggingface.co/Acellera/AceFF-2.0 で公開されている。

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.

AceFF: 小分子向け最先端機械学習ポテンシャル

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

要旨

Support