AceFF: 소분자를 위한 최첨단 기계 학습 포텐셜

초록

우리는 소분자 약물 발견에 최적화된 사전 훈련된 기계 학습 원자간 포텐셜(MLIP)인 AceFF를 소개한다. MLIP는 밀도 범함수 이론(DFT)의 효율적인 대안으로 부상했지만, 다양한 화학 공간에 대한 일반화는 여전히 어려운 과제이다. AceFF는 약물 유사 화합물의 포괄적인 데이터셋으로 훈련된 개선된 TensorNet2 아키텍처를 통해 이 문제를 해결한다. 이 접근법은 높은 처리량의 추론 속도와 DFT 수준의 정확도를 균형 있게 갖춘 포스 필드를 제공한다. AceFF는 필수 의약화학 원소(H, B, C, N, O, F, Si, P, S, Cl, Br, I)를 완전히 지원하며 하전 상태 처리를 명시적으로 훈련받았다. 복잡한 비틀림 에너지 스캔, 분자 동역학 궤적, 배치 최소화, 힘 및 에너지 정확도를 포함한 엄격한 벤치마크 검증을 통해 AceFF가 유기 분야에서 새로운 최첨단 기술을确立함을 입증하였다. AceFF-2 모델 가중치와 추론 코드는 https://huggingface.co/Acellera/AceFF-2.0에서 이용 가능하다.

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: 소분자를 위한 최첨단 기계 학습 포텐셜

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

초록

Support