分子之心 QuantaMind 登 Science Advances，实现数万原子级反应性分子动力学模拟
QuantaMind 让 AI 能在计算机里连续追踪化学键断裂与生成，把过去只能靠湿实验反复试的酶催化机制变成可提前推演的研发变量。
AI 已经能预测蛋白质长什么样，但真正决定它怎么工作的是原子尺度的动态反应过程。分子之心发布的 QuantaMind 把接近 DFT（密度泛函理论，计算分子能量与受力的高精度方法）精度的反应性分子动力学，首次推进到近两万原子、纳秒级尺度，并完整模拟了 PET 水解酶的催化循环；最新扩展测试更达到十万原子、百纳秒。
正文摘录
- title: 分子之心 QuantaMind 登 Science Advances，让 AI 给分子世界“拍电影” - sourcecompany: 量子位 - bodymarkdown: 当 AI 已经能够预测一个蛋白质“长什么样”，下一个问题随之而来：我们能否理解它“怎样工作”？ 酶催化时质子如何转移？化学键如何断裂和形成？药物与靶点结合后构象如何变化？——这些发生在纳秒级时间与原子尺度上的动态过程，才是真正决定分子功能的关键，也是计算化学几十年来未能攻克的难题。 近日，分子之心自主研发的反应性原子建模平台 QuantaMind 相关研究发表于《 Science Advances 》，首次将接近密度泛函理论（DFT）精度的反应性分子动力学推进至 数万原子级生物体系和数十纳秒时间尺度 ；论文提交后的最新扩展测试进一步达到了 十万原子级和百纳秒尺度 。 这一突破将 AI 大分子设计带入 “动态反应模拟”新时代 ——化学反应不再是只能事后验证的黑盒，而是可以在计算端提前推演和理解的过程。 要理解一个分子“怎样工作”，关键在于反应性分子动力学模拟——它通过追踪原子的持续运动，捕捉质子转移与化学键断裂/生成的完整过程。 然而，将反应性分子动力学真正应用于大型生物分子体系，长期面临着 精度、速度与尺度难以兼得 的困境： 注：QuantaMind 的规模与时长为论文提交后的最新扩展测试结果；论文中实际验证的最大体系为 24,001 原子、最长模拟为 20 纳秒。 作为反应性机器学习力场框架，QuantaMind 通过创新数据工程与模型架构，第一次把这三个维度同时推到 生物研发可用的范围 。 论文报告，在 NVIDIA A100 80GB GPU 上，QuantaMind 的推理速度达到 4.2×10⁻⁶秒/原子/步 ，与当前最先进的机器学习力场相当；