
Utiliser des réseaux de neurones pour accélérer les calculs des collisions et interactions moléculaires.L'accélération de la dynamique moléculaire consiste à utiliser des réseaux de neurones pour accélérer considérablement les simulations informatiques du mouvement et des interactions des atomes et des molécules au fil du temps. La dynamique moléculaire traditionnelle repose sur la résolution des équations de Newton pour chaque atome à chaque pas de temps minuscule, ce qui est coûteux en calcul. En entraînant un réseau de neurones à prédire les forces entre les atomes en fonction de leurs positions, la simulation peut éviter les lourds calculs de mécanique quantique qui dominent normalement le coût, permettant des simulations plus longues et plus vastes.
L'idée a gagné du terrain dans les années 2000 avec l'essor de l'apprentissage automatique en chimie, mais elle est devenue pratique dans les années 2010 avec des architectures d'apprentissage profond comme SchNet et DeepMD, capables de traiter l'entrée de haute dimension des coordonnées atomiques.
Le réseau de neurones est entraîné sur des données issues de calculs de chimie quantique de haute précision mais lents. Une fois entraîné, il agit comme un « champ de force » qui mappe directement les positions atomiques aux forces, contournant ainsi la nécessité de résoudre l'équation de Schrödinger à chaque étape. Le réseau capture des interactions à plusieurs corps complexes que les formules analytiques simples manquent, offrant une précision proche de la quantique pour une fraction du coût de calcul.
Utilisé pour simuler le repliement des protéines, la liaison médicament-récepteur et le comportement des matériaux dans des conditions extrêmes, comme les ondes de choc ou les températures élevées.
Ces simulations accélérées peuvent modéliser des millions d'atomes pendant des microsecondes—un exploit qui prendrait des siècles sur un superordinateur avec les méthodes traditionnelles.
| Q | variable | Query matrix — query matrix |
| K | variable | Key matrix — key matrix |
| V | variable | Value matrix — value matrix |
| d_k | variable | Dimension of keys — dimension |
| softmax | opérateur | Normalizes rows to probability distributions — softmax function |
| ⊤ | opérateur | Matrix transpose — transpose operator |
| √ | opérateur | Square root — racine carrée |



















