
استخدام الشبكات العصبية لتسريع حسابات تصادمات الجزيئات وتفاعلاتها.تسريع الديناميكا الجزيئية يشير إلى استخدام الشبكات العصبية لتسريع المحاكاة الحاسوبية لحركة الذرات والجزيئات وتفاعلاتها عبر الزمن بشكل كبير. تعتمد الديناميكا الجزيئية التقليدية على حل معادلات نيوتن لكل ذرة في كل خطوة زمنية صغيرة، وهو أمر مكلف حسابيًا. من خلال تدريب شبكة عصبية للتنبؤ بالقوى بين الذرات بناءً على مواقعها، يمكن للمحاكاة تجاوز الحسابات الميكانيكية الكمومية الثقيلة التي تهيمن عادةً على التكلفة، مما يتيح محاكاة أطول وأكبر.
اكتسبت الفكرة زخمًا في العقد الأول من القرن الحادي والعشرين مع ظهور التعلم الآلي في الكيمياء، لكنها أصبحت عملية في العقد الثاني مع بنى التعلم العميق مثل SchNet وDeepMD، التي تمكنت من معالجة المدخلات عالية الأبعاد للإحداثيات الذرية.
تُدرَّب الشبكة العصبية على بيانات من حسابات كيمياء كمومية عالية الدقة ولكنها بطيئة. بعد التدريب، تعمل كـ"مجال قوى" يربط المواقع الذرية مباشرة بالقوى، متجاوزةً الحاجة إلى حل معادلة شرودنغر في كل خطوة. تلتقط الشبكة التفاعلات المعقدة متعددة الأجسام التي تفوتها الصيغ التحليلية البسيطة، مما يوفر دقة قريبة من الدقة الكمومية بجزء صغير من التكلفة الحسابية.
تُستخدم لمحاكاة طي البروتينات، وارتباط الدواء بالمستقبلات، وسلوك المواد تحت الظروف القاسية، مثل موجات الصدمة أو درجات الحرارة المرتفعة.
يمكن لهذه المحاكاة المتسارعة أن تصمم ملايين الذرات لمدة ميكروثانية—وهو إنجاز قد يستغرق قرونًا على حاسوب فائق بالطرق التقليدية.
| Q | متغير | Query matrix — query matrix |
| K | متغير | Key matrix — key matrix |
| V | متغير | Value matrix — value matrix |
| d_k | متغير | Dimension of keys — بُعد |
| softmax | مؤثر | Normalizes rows to probability distributions — softmax function |
| ⊤ | مؤثر | Matrix transpose — transpose operator |
| √ | مؤثر | Square root — جذر تربيعي |



















