化学、生物与自动化实验室
突破级
暂无讲解视频
收录解读
大多数 machine-learning molecular dynamics 仍然受制于一个老瓶颈：哪怕势能面学得很好，数值积分还是把时间步长卡得很小。TrajCast 的关键改写是直接预测位置和速度更新，从而把‘先算力、再积分’这条传统链路绕开。
它的价值不只是快，而是给出了 force-free、autoregressive、equivariant 的统一接口，并在小分子、晶体和液体上都保持了结构、动力学和能量性质的一致性。对 AI-for-science 来说，这是明显的 simulation workflow primitive。
这篇工作值得正式收录，因为它触及的是分子模拟的基本 operating pattern：如果能在更大步长上保持物理有效性，探索尺度和实验设计速度都会被直接改写。它对材料发现和物理现象探索都有直接外溢。
它没有更高，是因为当前最强证据仍集中在分子与材料模拟范围内。force-free autoregressive dynamics 是否能成为更广模拟科学的默认范式，还需要更多体系证明。