行业背景与核心挑战 - 分子动力学模拟长期面临精度与规模不可兼得的矛盾 量子化学方法（如DFT）计算成本高昂 通常被限制在数百个原子 经典力场可处理几十万至上百万原子 但参数是对真实物理势能面的近似 误差在具体体系中难以评估 [5] - 生物分子中微小的能量差 有时恰好是构象转换、配体结合、离子选择性的决定区间 往往落在经典力场误差的覆盖范围之内 [5] - 近年来AI模型介入正在不断刷新分子动力学模拟的边界 让精度与规模兼得的目标越来越近 [2] 公司产品核心突破 - 至知创新研究院UBio团队发布UBio-MolFM v1.5 是以量子化学精度、在真实生理环境下对生物大分子进行分子动力学模拟的机器学习原子间势函数 [4] - 推理时能以接近经典力场量级的速度 给出接近量子化学精度的预测 且不需要针对每一个新体系重新调参 同一套权重就能用在不同的分子和环境里 [4] 实测案例验证 - 在KcsA钾离子通道测试中 UBio-MolFM的五条独立轨迹里 滤器深处相邻两个钾离子形成无水直接接触 平均距离3.32 Å 其中四条轨迹从头到尾维持接触 而两种经典力场共十条独立轨迹中 这一直接接触从未出现过（0%） [11] - 在环孢素A构象自由能测试中 UBio-MolFM解出的自由能地形落差为5.51 kcal/mol 其中穿膜构象对应约3.5 kcal/mol的能量代价 经典力场在相同采样窗口内落差只有1.51 kcal/mol 地形近乎平坦 [15] - 从采样窗口中抽取100个去相关构象做单点DFT计算 与UBio-MolFM预测逐一比对 两者偏差为0.44 kcal/mol 比三个DFT参考方法彼此之间的分歧（最小1.18）还要小 受力误差（两个基准为7.2 meV/Å）也落在对应精度水平 [15] 技术架构创新 - 骨干网络采用E2Former-V2架构 满足旋转等变性 分子旋转后模型预测的力向量按相同角度旋转 而能量保持不变 [17] - 架构自带三项工程优化 SO(3)→SO(2)的基变换使卷积阶段提速约6倍 以节点为中心的Wigner-6j张量分解将计算开销转移到原子上 融合的Triton流式注意力核心使算力吞吐最高提升20倍 [18][21] - 在骨干之上叠加四层混合截断半径堆叠 三层短程等变注意力（半径5Å）覆盖全部原子 邻居数量减少40%以上 第四层将截断半径扩展到8Å并排除氢原子 最终给出约23Å的有效感受野 且计算复杂度接近线性 [19] 训练数据体系 - 训练语料共包含约1.6亿条量子化学标签 约1.4亿条来自通用小分子化学数据集OMol25 约1900万条来自自建数据集UBio-Mol26 [21][22] - UBio-Mol26采用两种互补采样策略 自下而上枚举溶剂化的构筑单元 以及自上而下从AlphaFold预测的蛋白质结构中截取局部区域 连同周围水分子一并采样 [22] - 数据包含三个DFT精度层级 约6.4万条数据来自周期性凝聚相构型 是模型正确重现水密度等宏观热力学性质的关键 [23][25] - UBio-Mol26明显富集亚甲基与酰胺基团 这正是蛋白质骨架、脂类等生物大分子区别于一般小分子化学的特征基团 原子对距离分布在5–6Å之外仍然保持宽泛 [29] 三阶段课程学习 - 第一阶段在通用化学数据上训练 力由独立参数化的力头直接给出 是更容易收敛的起点 [30] - 第二阶段换用自动微分 对预测能量求梯度得到力 退役独立力头 使力来自一个自洽的能量面 [30] - 第三阶段引入生物大分子数据 从四个数据分支采样 训练共享输出头 除OMol25外其他数据分支只监督力向量本身 完全不监督能量 完全剔除了不同DFT设定带来的系统性能量偏移 [30] 性能与精度对比 - 在held-out的生物大分子片段及超出所有基线训练上限的场景下 UBio-MolFM的受力误差比表现最好的基线低约40%–45% 具体到每一类化学环境（蛋白质、DNA、RNA、脂类等） 降低幅度在21%到64%之间 [33] - 在基线模型自身训练分布上（OMol-Bio-10k） UMA-S-1p2误差最低 UBio-MolFM误差也是第一梯队 [32] 速度与显存优势 - 在标准模式下 UBio-MolFM约37K原子/秒 最大支持约65000原子 DPA-4、MACE-Omol及UMA-S-1p2速度接近 约8-9K原子/秒 最大体系在10000-15000原子 [36] - 在激活重计算模式下 UBio-MolFM吞吐是25.1千原子/秒 UMA是3.0千原子/秒 速度提升8.3倍 UBio-MolFM仍有约三分之一显存余量 [36] - UBio-MolFM每增加1000个原子 激活重计算模式下多占用约0.73GB显存 标准模式下约1.97GB UMA在标准模式下这个数字约17.5GB 接近UBio-MolFM的9倍 [37] - 一张141GB显卡理论上能装下约19.3万原子 实测已在一张卡上跑到18万原子 8卡节点可到144万原子 相当于一整只卫星烟草花叶病毒 [37] 开源与适用范围 - UBio-MolFM的模型权重、代码与技术报告已经开源 [38] - 在基线模型自身训练分布范围内（通常数百原子的小分子体系） UMA-S-1p2仍具有精度优势 UBio-MolFM真正的适用范围是从需要显式溶剂与生物大分子环境的体系 直至百万原子规模 [37]