AceFF: Een geavanceerd machine learning-potentiaal voor kleine moleculen
AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules
January 2, 2026
Auteurs: Stephen E. Farr, Stefan Doerr, Antonio Mirarchi, Francesc Sabanes Zariquiey, Gianni De Fabritiis
cs.AI
Samenvatting
Wij introduceren AceFF, een vooraf getrainde machine learning interatomaire potentiaal (MLIP) die is geoptimaliseerd voor de ontdekking van kleine molecuul geneesmiddelen. Hoewel MLIP's zijn opgekomen als efficiënte alternatieven voor Density Functional Theory (DFT), blijft generaliseerbaarheid over diverse chemische ruimtes een uitdaging. AceFF lost dit op via een verfijnde TensorNet2-architectuur die is getraind op een uitgebreide dataset van geneesmiddelachtige verbindingen. Deze aanpak levert een krachtveld op dat een balans vindt tussen doorvoersnelheid bij inferentie en DFT-nauwkeurigheid. AceFF ondersteunt volledig de essentiële elementen voor de medicinale chemie (H, B, C, N, O, F, Si, P, S, Cl, Br, I) en is expliciet getraind om geladen toestanden te hanteren. Validatie tegen strenge benchmarks, waaronder complexe torsie-energiescans, moleculaire dynamica-trajecten, gebatchte minimalisaties, en de nauwkeurigheid van krachten en energie, toont aan dat AceFF een nieuwe state-of-the-art vestigt voor organische moleculen. De AceFF-2 modelgewichten en inferentiecode zijn beschikbaar op 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.