AceFF: Um Potencial de Aprendizado de Máquina de Última Geração para Pequenas Moléculas
AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules
January 2, 2026
Autores: Stephen E. Farr, Stefan Doerr, Antonio Mirarchi, Francesc Sabanes Zariquiey, Gianni De Fabritiis
cs.AI
Resumo
Apresentamos o AceFF, um potencial interatômico pré-treinado por aprendizado de máquina (MLIP) otimizado para a descoberta de fármacos de pequenas moléculas. Embora os MLIPs tenham surgido como alternativas eficientes à Teoria do Funcional da Densidade (DFT), a generalização em diversos espaços químicos permanece um desafio. O AceFF aborda esta questão através de uma arquitetura refinada TensorNet2 treinada num conjunto de dados abrangente de compostos semelhantes a fármacos. Esta abordagem resulta num campo de forças que equilibra a velocidade de inferência em alto rendimento com a precisão ao nível da DFT. O AceFF suporta integralmente os elementos essenciais da química medicinal (H, B, C, N, O, F, Si, P, S, Cl, Br, I) e foi explicitamente treinado para lidar com estados carregados. A validação contra benchmarks rigorosos, incluindo varrimentos complexos de energia torsional, trajectórias de dinâmica molecular, minimizações em lote e precisão de forças e energia, demonstra que o AceFF estabelece um novo estado da arte para moléculas orgânicas. Os pesos do modelo AceFF-2 e o código de inferência estão disponíveis em 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.