AceFF: Передовой потенциал машинного обучения для малых молекул
AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules
January 2, 2026
Авторы: Stephen E. Farr, Stefan Doerr, Antonio Mirarchi, Francesc Sabanes Zariquiey, Gianni De Fabritiis
cs.AI
Аннотация
Мы представляем AceFF — предварительно обученный машинный потенциал межатомного взаимодействия (MLIP), оптимизированный для разработки низкомолекулярных лекарственных средств. Хотя MLIP стали эффективной альтернативой теории функционала плотности (DFT), обеспечение обобщаемости в разнообразных химических пространствах остается сложной задачей. AceFF решает эту проблему за счет усовершенствованной архитектуры TensorNet2, обученной на обширном наборе данных лекарственно-подобных соединений. Данный подход позволяет получить силовое поле, сочетающее высокую скорость вычислений в режиме высокопроизводительного скрининга с точностью уровня DFT. AceFF полностью поддерживает ключевые элементы медицинской химии (H, B, C, N, O, F, Si, P, S, Cl, Br, I) и специально обучен для работы с заряженными состояниями. Валидация по строгим тестовым наборам, включая сложные сканирования торсионной энергии, траектории молекулярной динамики, групповую минимизацию, а также точность сил и энергии, демонстрирует, что AceFF устанавливает новое состояние искусства для органических молекул. Веса модели AceFF-2 и код для inference доступны по адресу 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.