软件学报

作者：胡思宇，周远昌，赵曈，汪林望，贾伟乐，谭光明

单位：胡思宇，处理器全国重点实验室 (中国科学院 计算技术研究所), 北京 100190;中国科学院大学, 北京 10004911,周远昌，处理器全国重点实验室 (中国科学院 计算技术研究所), 北京 100190;中国科学院大学, 北京 10004902,赵曈，处理器全国重点实验室 (中国科学院 计算技术研究所), 北京 100190;中国科学院大学, 北京 10004903,汪林望，中国科学院 半导体研究所, 北京 10019004,贾伟乐，处理器全国重点实验室 (中国科学院 计算技术研究所), 北京 100190;中国科学院大学, 北京 10004905,谭光明，处理器全国重点实验室 (中国科学院 计算技术研究所), 北京 100190;中国科学院大学, 北京 10004906

关键词：科学智能;神经网络;力场训练;层重组扩展卡尔曼滤波优化器;分子动力学模拟

基金：国家自然科学基金(T2125013, 92270206, 62372435, 62032023, 61972377, 61972380, T2293700, T2293702); 中国科学院战略性先导科技专项(XDB0500102); 中国科学院稳定支持青年科学家团队(YSBR-005)

分子动力学模拟在材料模拟、生物制药等领域发挥着重要作用. 近年来, 科学智能(AI-for-Science)发展, 尤其是神经网络力场在预测能量、力等性质的问题上, 相比于传统势函数方法在准确性上有大幅提升. 针对当前的神经网络力场模型在使用一阶训练方法时出现的超参设置敏感和梯度爆炸问题, 给出层重组卡尔曼滤波器在避免超参数设置问题上的若干策略和防止梯度爆炸的理论证明. 基于层重组卡尔曼滤波器, 制定交替训练方法并分析该方法的精度收益和时间成本、提出分块阈值的性能模型并论述该模型的有效性、证明防止梯度爆炸的性质并验证该优化器关于激活函数和权重初始化的鲁棒性. 对4种典型的神经网络力场模型在11个有代表性的数据集进行测试, 实验表明, 当层重组卡尔曼滤波器和一阶优化器达到相当的预测精度时, 层重组卡尔曼滤波器相比于一阶方法快8–10倍. 可以相信, 所提出的层重组卡尔曼滤波训练方法能给其他的科学智能应用带来启发.

来源：2025年第9期

《软件学报》期刊编辑部

查看软件学报杂志2025年第9期