Методы машинного обучения могут помочь в создании эффективных силовых полей для сложных биомолекул, в частности, благодаря следующим возможностям:

• Автоматизация и упрощение процесса построения силовых полей. 1 Традиционно для создания силовых полей требуются экспертные знания в области физической органической химии. 1 Машинное обучение позволяет автоматизировать этот процесс, генерируя непрерывное представление атомов с помощью графических нейронных сетей. 1
• Повышение точности измерения силовых полей. 1 Параметры нейронной сети оптимизируются с использованием стандартных фреймворков машинного обучения для соответствия квантово-химическим и/или экспериментальным данным. 1
• Распространение силовых полей на новые химические области. 1 Можно настроить существующие силовые поля и распространить их на интересующие химические области без снижения производительности. 1
• Ускорение моделирования. 2 По сравнению с традиционными методами моделирования, основанными на классических или квантово-механических вычислениях, использование нейронных сетей, специально адаптированных для моделирования материалов, позволяет достичь значительного преимущества в скорости. 2

Например, существует подход Espaloma, который использует машинное обучение для создания обобщённого и расширяемого силового поля класса I MM, способного воспроизводить квантово-химические энергетические свойства различных типов молекул. 1