传统分子动力学模拟通常依赖将能量守恒等物理定律硬编码进模型架构，以确保结果符合物理规律。然而，柏林数据学习基础研究所与谷歌 DeepMind 合作的研究表明，这些物理偏置并非不可或缺。研究人员开发了一种名为 MD-ET 的新型模型，它基于通用的边缘变换器架构，完全摒弃了内置的物理约束，仅依靠海量数据学习物理行为。 该研究发表于《化学物理杂志》。研究团队在包含约 3000 万个分子结构的 QCML 数据库上对模型进行预训练，并在特定任务上进行微调。结果显示，MD-ET 在多项基准测试中达到了顶尖水平。尽管模型没有显式强制要求，但它能自发学习到近乎等变的力预测，误差远小于力的大小。在恒温恒粒子数的模拟中，该模型甚至在少样本设置下也能稳定运行。作者认为，大规模预训练数据和变换器架构的易优化性是成功的关键。 不过，该模型在恒能量模拟中暴露出局限性。由于未硬性约束能量守恒，随着分子尺寸增大或数值扰动出现，模型可能出现能量失控增长。作者坦言，使用此类非保守力模型进行模拟时，需针对具体案例进行严格验证。这一发现引发了科学界的深刻反思：对于许多实际应用，通用架构在大数据下或许足以习得物理原则，无需人为植入硬性规则；但也明确了其适用边界。这项研究为未来开发更简单、高效的分子模拟工具提供了新方向，同时也提醒研究者在追求简洁架构时需关注能量稳定性的潜在风险。