要約
分子動力学（MD）シミュレーションは、分子系の原子レベルの挙動を理解する上で不可欠であり、それらの遷移や相互作用に関する洞察を提供します。しかし、古典的なMD手法は精度と効率性のトレードオフに制限されており、最近の深層学習に基づく改善も主に単一ドメインの分子に焦点を当てており、未知の分子系への転用可能性が不足しています。そこで、我々はクロスドメイン知識を活用して原子間相互作用の理解を向上させるため、\textbf{Uni}fied \textbf{Sim}ulator (UniSim) を提案します。まず、多様な分子データの大規模セットから統一された原子表現モデルを学習するためにマルチヘッド事前学習アプローチを採用します。次に、確率的補間フレームワークに基づいて、MD軌跡から長時間ステップでの状態遷移パターンを学習し、異なる化学環境への迅速な適応のために力誘導モジュールを導入します。我々の実験結果は、UniSimが小分子、ペプチド、タンパク質において非常に競争力のある性能を達成していることを示しています。