基于人工智能的 QuantaMind 平台研究.docxVIP

PAGE2

基于人工智能的QuantaMind平台研究：面向原子尺度

化学反应的关键模拟技术

摘要原子层面化学键重组、质子迁移等动态过程是解析酶促催化、药物-靶标相互作用内在机制的核心基础，该类反应长期存在机理模拟的“黑箱”难题。传统密度泛函理论（DFT）量子化学计算虽拥有较高计算精度，但算力开销随体系原子数量呈指数增长，难以实现数万原子生物大分子体系的纳秒级反应动力学模拟；经典分子动力学力场预先固化分子成键拓扑，无法刻画化学键生成与断裂行为；现有机器学习力场大多仅针对分子平衡态构象开展训练，对反应过渡态的描述能力不足。本文介绍自主研发的反应型原子建模平台QuantaMind，一套面向化学反应场景的机器学习力场（MLFF）体系。该平台以反应过渡态、非平衡瞬态构型作为核心训练样本，整合多来源异构化学数据并自适应分配样本权重，能够自动定位模拟过程中高误差区域，并依托主动学习机制持续迭代优化模型性能。在PET水解酶体系（17792原子）的模拟实验中，完成6纳秒不间断反应动力学仿真，完整复现酶催化的全部反应循环，原子受力预测结果与DFT基准计算的相关系数高于0.99，计算精度逼近量子化学DFT水平；十万原子规模体系单步模拟仅消耗0.25秒，相较于传统DFT计算方式实现约4.5万亿倍的加速，单张GPU硬件即可完成十万原子、百纳秒量级的