基于生成对抗网络的分子速度轨迹预测及其在分子特性估算中的应用

为解决分子动力学(MD)模拟计算成本高的问题，研究人员开展了基于生成对抗网络(GANs)的分子速度轨迹预测研究。通过液态氩(Ar)体系在不同温度和密度下的平衡态数据验证，发现GANs生成的分子速度分布与MD模拟结果高度吻合，其产生的均方位移(MSD)和速度自相关函数(VACF)具有定性重现性。研究表明GANs在低密度高温条件下对自扩散系数的预测精度有所下降，但计算结果不受方法选择影响，为分子特性高效估算提供了新思路。

　　

在分子动力学(Molecular Dynamics, MD)模拟领域，高昂的计算成本始终是制约研究效率的关键瓶颈。这项创新性研究另辟蹊径，采用生成对抗网络(Generative Adversarial Networks, GANs)这种机器学习方法，对液态氩系统的分子速度轨迹展开时间序列预测。

研究人员精心选取了不同温度和密度条件下达到平衡态的液态氩体系作为研究对象。通过提取MD模拟计算获得的分子速度时间序列数据作为训练样本，系统评估了GANs在样本分布重现性和自扩散系数计算方面的预测能力。令人振奋的是，GANs生成的分子速度样本完美复现了MD模拟的分布特征。

进一步分析显示，基于GANs生成速度轨迹计算的均方位移(Mean Squared Displacement, MSD)和速度自相关函数(Velocity Autocorrelation Function, VACF)，在定性层面与MD模拟结果高度一致。不过研究也发现，在低密度和高温条件下，GANs对自扩散系数的预测精度会出现轻微下降。值得注意的是，GANs预测的自扩散系数表现出良好的方法稳定性——其计算结果不受具体计算方法选择的影响。

这项研究为突破传统MD模拟的计算限制提供了创新解决方案，通过生成式AI技术实现了分子运动特性的高效预测，在材料科学和生物分子模拟领域具有广阔的应用前景。