ByteFF-PolGNN参数化极化力场溶剂性质误差较AMBER降低42%【免费下载链接】byteff2项目地址: https://ai.gitcode.com/hf_mirrors/ByteDance-Seed/byteff2ByteFF-Pol 是一个由图神经网络GNN按分子结构组织数据的网络参数化的极化力场模型在高层级量子化学数据上训练无需实验数据校准。它面向做分子动力学模拟的研究者药物发现、电解液配方等方向用经典方法的速度给出接近量子化学精度的小分子液体与电解质性质预测。模型权重与训练配置已随 ByteFF2 仓库开源克隆方式见下文怎么用上一节。旧方案卡在哪传统力场与QM计算的三个硬伤传统力场如 AMBER的参数多由实验数据拟合而来。换到训练时没见过的新化学体系参数外推性不足模拟结果容易失真。其次是形式问题传统力场普遍采用固定电荷每个原子的电荷锁死为一个常数无法描述分子间的电荷转移——而电荷转移在离子溶剂化这类极性环境中是常态。另一端从头算量子化学方法如 DFT精度足够但计算量随体系规模快速增长上千原子体系、更长时间尺度的模拟很难直接落地。它是怎么做到的GNN 替代参数表GNN 如何替代人工调参模型采用 EGT 架构一种坐标对称不变的 GNN Transformer 变体开源配置中可见 16 个注意力头直接读取分子拓扑并输出相互作用参数无需人工逐对定义键参数、角参数。类比相当于不再查一张参数表来算相互作用而是让一个经验丰富的化学家看一眼分子结构直接写出相互作用的方式。效果README 说明其在小分子液体与电解质的热力学、输运性质上超过当前主流的传统力场与机器学习力场。极化效应是如何实现的非键作用块采用 Exp-6 极化形式Exp6Pol原子电荷与极化响应随分子环境动态输出配置中还带有独立的锂参数fix_li_alpha、li_damp_clip针对电池电解液场景。类比像连通器里的水位——每个原子的电荷随周围环境涨落而不是一次锁死的定值。效果电荷转移、极化屏蔽这类动态过程可以被直接描述固定电荷力场做不到的场景可以覆盖。训练数据从哪来模型在高层级量子化学QM数据上训练官方发布资料显示配套的量子化学数据库覆盖 10 万种分子。类比相当于用一套完整的标准科目练过车遇到没跑过的新路线未见过的分子输出依然稳定。效果对未见分子直接给出接近 QM 水平的预测不需要再做实验校准。效果与数据精度和速度对比 AMBER、DFT 如何以下数字均来自官方发布资料对应论文 arXiv:2508.08575指标ByteFF-Pol对比方案密度/粘度 MAE100 种常见有机溶剂较 AMBER 降低 42%AMBER 力场精度对齐从头算量化学达从头算方法约 95% 精度水平从头算 QM模拟速度1000 原子溶液体系较 DFT 快约 800 倍DFTkinase 抑制剂结合能 RMSE50 例≤ 1.2 kcal/mol虚拟筛选实用门槛训练内存占用混合精度策略降低 60%常规全精度训练这些数字对使用者的含义原本要排队等 DFT 集群的性质计算现在用类力场的速度即可完成且误差落在虚拟筛选可用的范围内。怎么用上模型、代码与数据在哪里仓库包含两部分开箱文件训练好的模型权重与配置trained_models/含 optimal.pt 与 fftrainer_config_in_use.yaml、验证数据valid_data/含 processed_data_shard0.pkl 与 dataset_config.yaml。git clone https://gitcode.com/hf_mirrors/ByteDance-Seed/byteff2注意模型推理与训练代码、使用示例在配套代码仓库中README 指向 ByteDance-Seed/byteff2 项目克隆本仓库后按代码仓库文档接入。硬件方面官方白皮书称单张 A100 GPU 可完成百万原子体系的微秒级模拟模型运行的最低资源要求请以代码仓库文档为准。许可为 CC BY-NC 4.0仅限非商业用途。引用可参考《Bridging Quantum Mechanics to Organic Liquid Properties via a Universal Force Field》arXiv:2508.08575。哪些场景最受益 药物发现结合能预测达到虚拟筛选精度要求可直接作为先导化合物优化的定量依据 电池电解液可模拟 Li 溶剂化壳层动态演化为高导电率电解液配方提供计算依据 溶剂物性筛选批量预测常见有机溶剂的密度、粘度减少实验测量工作量 生物大分子延伸按官方方向可拓展到蛋白质构象动力学、DNA-药物分子相互作用等极化体系官方已确认的下一步是将模型继续优化到蛋白质构象动力学、DNA-药物相互作用等生物体系。对读者而言仓库中权重与配置开箱即用克隆后即可在自己关注的分子体系上验证精度或作为对比其他力场的基线。【免费下载链接】byteff2项目地址: https://ai.gitcode.com/hf_mirrors/ByteDance-Seed/byteff2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 ByteFF-Pol：GNN参数化极化力场，溶剂性质误差较AMBER降低42%
ByteFF-PolGNN参数化极化力场溶剂性质误差较AMBER降低42%【免费下载链接】byteff2项目地址: https://ai.gitcode.com/hf_mirrors/ByteDance-Seed/byteff2ByteFF-Pol 是一个由图神经网络GNN按分子结构组织数据的网络参数化的极化力场模型在高层级量子化学数据上训练无需实验数据校准。它面向做分子动力学模拟的研究者药物发现、电解液配方等方向用经典方法的速度给出接近量子化学精度的小分子液体与电解质性质预测。模型权重与训练配置已随 ByteFF2 仓库开源克隆方式见下文怎么用上一节。旧方案卡在哪传统力场与QM计算的三个硬伤传统力场如 AMBER的参数多由实验数据拟合而来。换到训练时没见过的新化学体系参数外推性不足模拟结果容易失真。其次是形式问题传统力场普遍采用固定电荷每个原子的电荷锁死为一个常数无法描述分子间的电荷转移——而电荷转移在离子溶剂化这类极性环境中是常态。另一端从头算量子化学方法如 DFT精度足够但计算量随体系规模快速增长上千原子体系、更长时间尺度的模拟很难直接落地。它是怎么做到的GNN 替代参数表GNN 如何替代人工调参模型采用 EGT 架构一种坐标对称不变的 GNN Transformer 变体开源配置中可见 16 个注意力头直接读取分子拓扑并输出相互作用参数无需人工逐对定义键参数、角参数。类比相当于不再查一张参数表来算相互作用而是让一个经验丰富的化学家看一眼分子结构直接写出相互作用的方式。效果README 说明其在小分子液体与电解质的热力学、输运性质上超过当前主流的传统力场与机器学习力场。极化效应是如何实现的非键作用块采用 Exp-6 极化形式Exp6Pol原子电荷与极化响应随分子环境动态输出配置中还带有独立的锂参数fix_li_alpha、li_damp_clip针对电池电解液场景。类比像连通器里的水位——每个原子的电荷随周围环境涨落而不是一次锁死的定值。效果电荷转移、极化屏蔽这类动态过程可以被直接描述固定电荷力场做不到的场景可以覆盖。训练数据从哪来模型在高层级量子化学QM数据上训练官方发布资料显示配套的量子化学数据库覆盖 10 万种分子。类比相当于用一套完整的标准科目练过车遇到没跑过的新路线未见过的分子输出依然稳定。效果对未见分子直接给出接近 QM 水平的预测不需要再做实验校准。效果与数据精度和速度对比 AMBER、DFT 如何以下数字均来自官方发布资料对应论文 arXiv:2508.08575指标ByteFF-Pol对比方案密度/粘度 MAE100 种常见有机溶剂较 AMBER 降低 42%AMBER 力场精度对齐从头算量化学达从头算方法约 95% 精度水平从头算 QM模拟速度1000 原子溶液体系较 DFT 快约 800 倍DFTkinase 抑制剂结合能 RMSE50 例≤ 1.2 kcal/mol虚拟筛选实用门槛训练内存占用混合精度策略降低 60%常规全精度训练这些数字对使用者的含义原本要排队等 DFT 集群的性质计算现在用类力场的速度即可完成且误差落在虚拟筛选可用的范围内。怎么用上模型、代码与数据在哪里仓库包含两部分开箱文件训练好的模型权重与配置trained_models/含 optimal.pt 与 fftrainer_config_in_use.yaml、验证数据valid_data/含 processed_data_shard0.pkl 与 dataset_config.yaml。git clone https://gitcode.com/hf_mirrors/ByteDance-Seed/byteff2注意模型推理与训练代码、使用示例在配套代码仓库中README 指向 ByteDance-Seed/byteff2 项目克隆本仓库后按代码仓库文档接入。硬件方面官方白皮书称单张 A100 GPU 可完成百万原子体系的微秒级模拟模型运行的最低资源要求请以代码仓库文档为准。许可为 CC BY-NC 4.0仅限非商业用途。引用可参考《Bridging Quantum Mechanics to Organic Liquid Properties via a Universal Force Field》arXiv:2508.08575。哪些场景最受益 药物发现结合能预测达到虚拟筛选精度要求可直接作为先导化合物优化的定量依据 电池电解液可模拟 Li 溶剂化壳层动态演化为高导电率电解液配方提供计算依据 溶剂物性筛选批量预测常见有机溶剂的密度、粘度减少实验测量工作量 生物大分子延伸按官方方向可拓展到蛋白质构象动力学、DNA-药物分子相互作用等极化体系官方已确认的下一步是将模型继续优化到蛋白质构象动力学、DNA-药物相互作用等生物体系。对读者而言仓库中权重与配置开箱即用克隆后即可在自己关注的分子体系上验证精度或作为对比其他力场的基线。【免费下载链接】byteff2项目地址: https://ai.gitcode.com/hf_mirrors/ByteDance-Seed/byteff2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考