科学机器学习
科学机器学习（Scientific Machine Learning, SciML）是机器学习与科学计算的交叉领域，旨在利用深度学习解决科学计算中的难题，同时保持物理可解释性和数据效率。
模块内容
1. 分子动力学与等变图神经网络
| 文件 | 描述 |
|---|---|
| 等变图神经网络 | E(3)等变性、球谐函数、TFN架构 |
| NequIP与Allegro | ML势能函数、分子动力学应用 |
| 分子动力学模拟 | 经典MD、增强采样、粗粒化 |
2. 蛋白质结构与设计
| 文件 | 描述 |
|---|---|
| AlphaFold | Evoformer架构、端到端结构预测 |
| RFdiffusion | 扩散模型、蛋白质设计 |
3. 物理信息方法
4. 计算流体力学与流体模拟
| 文件 | 描述 |
|---|---|
| PINNs在CFD中的应用 | Navier-Stokes求解、湍流建模、边界条件 |
| 神经算子流体模拟 | FNO、DeepONet在流体中的应用 |
| 数据驱动湍流建模 | RANS增强、端到端预测、物理约束 |
| 图神经网络流体模拟 | MeshGraphNets、3D流体、非结构化网格 |
核心概念
等变图神经网络
等变GNN在输入发生几何变换时，输出会相应地发生可预测的变换：
这使其能够自然编码物理对称性，避免学习冗余表示。
机器学习势能函数
ML势能函数通过学习量子化学精度的能量和力，实现”又快又准”的分子模拟：
| 方法 | 精度 | 速度 |
|---|---|---|
| 经典力场 | 低 | 快 |
| DFT | 高 | 慢 |
| ML势能 | 高 | 中等 |
蛋白质设计
从目标结构/功能生成氨基酸序列：
- 正向设计：序列 → 结构
- 逆向设计：功能/结构 → 序列
工具生态
等变神经网络库
- e3nn: Euclidean Neural Networks
- NequIP: Neural Equivariant Interatomic Potentials
- Allegro: Atomic Linear Equivariant with Residual Global
MD模拟软件
- LAMMPS: 大规模原子/分子并行模拟器
- OpenMM: Python友好的分子模拟
- GROMACS: 高性能MD模拟
蛋白质设计工具
- AlphaFold: 结构预测
- RoseTTAFold: 结构预测与设计
- RFdiffusion: 扩散模型蛋白质设计
- ProteinMPNN: 序列设计
学习路径
分子动力学方向
计算流体力学方向
最后更新: 2026-05-02