E_Magic_Cube的博客

随后，他们以物理描述符（如前驱体性质）为输入特征，训练了一个人工神经网络（ANN）模型，预测MTMCs的机械性能，包括体积模量（B）、剪切模量（G）、杨氏模量（E）和维氏硬度（H_v）。结合了密度泛函理论（DFT）和机器学习（ML）技术，旨在探索掺杂元素对铪氧化物（HfO2）基铁电材料的影响。研究团队开发了一种高效的力矩张量潜力（MTP），通过在线主动学习方法训练，结合高级采样技术，从分子动力学轨迹中迭代选择代表性构型进行DFT计算，确保训练数据集（3775个96原子结构）覆盖相关相空间。

2020年，AlphaFold 2发布，引入了自然语言处理中常用的注意力机制，用来考量蛋白质序列中关键残基的效应，同时攻克了从线性氨基酸链卷曲成三维结构的难题，极大地提高了预测的精确性。通过深度学习模型的强大能力，科学家能够以空前的速度和精度设计出功能强大的蛋白质分子，这标志着蛋白质设计的未来充满了希望。这一突破引起了科学界的广泛关注。Backbone Encoder（骨架编码器）：这一部分对输入的节点数据进行处理，并更新节点和边的信息，通过重复3次的处理步骤来提取特征，优化蛋白质结构的信息。