PART.01 心有明月，志在千里

少年时期，杨奕便对化学有着无法遏制的热情，一次课堂上，老师用镊子夹起一小段细铁丝，点燃后迅速将它放入一个充满氧气的玻璃瓶中。瞬间，铁丝在氧气中剧烈燃烧起来，迸发出耀眼的火花，宛如一场小型焰火表演。杨奕目不转睛地盯着这一切，心中充满了惊奇和兴奋。

回到家后，他和伙伴们凑钱购买一些简单的化学试剂和实验器材，亲手制作火花四溅的实验，享受着化学反应中电光火石的奇妙变幻，化学的世界让他感到新奇而充满乐趣。

中学时期，杨奕凭借在化学奥林匹克竞赛中夺得省一等奖的成绩，获得了保送山东大学的资格。然而，由于缺乏对专业的深入了解，他误选了一个看似与化学相关的材料物理专业。

尽管从小立志当科学家，但杨奕也幻想过自己能像比尔·盖茨那样，成为一位技术性商人，甚至是世界首富。

进入大学后，杨奕开始尝试各种新鲜事物。大一时，他便跟随一个颇具商业头脑的学长在校园内卖起了MP3。从搜罗货源、发传单、贴小广告，到处理售后问题，杨奕无所不涉。他感叹道，做销售真是一份辛苦差事。

在学长的指点下，杨奕又开始卖起了课程笔记，针对那些没有专门教材、期末又要闭卷考试的课程，收集优秀的笔记，卖给低年级学生。

大学期间，杨奕还自学了平面设计和编程，他所在班级的LOGO和文化衫都是他的作品，而这些技能在他未来的科研道路上也得到了充分运用。

杨奕不只在商业上有所尝试，还积极竞选学生会职位。他本以为凭借自己拉来的最大一笔赞助，竞选成功是板上钉钉的事，结果却出乎意料地落选了。

一番折腾之后，杨奕开始重新审视自己的发展路径。卖MP3一年，战绩不过十几台，还要应对各种棘手的售后问题；学生会竞选虽然最终当上了一个小职位，但他意识到走“仕途”并不适合自己。对本专业的学习也提不起兴趣，经过深思熟虑，杨奕决定重回自己热爱的化学领域。

经过详尽的调研，杨奕决定既然要跨专业考研，就要挑战顶尖学府。他将目标锁定在了北大，立志在那里实现自己的化学梦想。

然而，同系的老师和同学对涉足了许多“杂学”的杨奕并不看好，尤其是他在专业课上表现平平，令他们对他跨专业考研的前景表示怀疑。更重要的是，杨奕所在的学院并没有开设高阶的化学课程，许多专业知识他只能通过自学来完成。而且其他高校的专业考试通常只需要考两个科目，但北大的化学综合考试却涵盖了五个科目，难度显然更大。

杨奕却看到了其中的机会。正因为难度高，许多人望而却步，这反而为他创造了更多的可能。杨奕还是下定决心一搏，面对质疑，他半开玩笑地说：“考不上，大不了我还能开个打印店。”

在大学的最后时光，杨奕每天从早上七点刷题到晚上十一点，他的生活压缩成了一条单一的直线，笔直地指向未来的目标。

理论课可以自学，但化学实验课却无法自行补足，因此他把专业方向聚焦在了计算化学，不仅能够弥补他实验课的不足，还能充分发挥他在编程方面的特长。同时，他注意到刚刚回国就职北大的高毅勤教授，这位在计算化学领域颇有建树的学者，成为了杨奕心中的首选导师。

经过辛勤的准备，杨奕如愿以偿考上了北大，加入了高毅勤课题组。他跨专业上岸北大的消息不胫而走，激励了不少同学跨专业备考。

从古朴的西校门走进燕园，朱漆宫门上的斑驳痕迹昭示着厚重的岁月沉淀。博雅塔在阳光的映照下静立于远方，未名湖畔又多了一位思考者，他的思想将在这里萌芽、茁壮，在这方学术的沃土上生根发芽。

在北大的时光，杨奕学到的不只是专业知识，还有那份严谨治学的态度和对科研的纯粹热爱。“在北大，最重要的是对我学术素养的锤炼。不仅是对数据要精细分析推敲，还有对每一个假设、每一组实验结果的反复验证与思考。”杨奕说。

高老师常教导课题组成员，研究不仅仅是追求热点或高影响因子的文章，真正有价值的研究应有科学上的深远意义。即使某些领域看似热门，文章发表得不错，但若无科学价值，终究只是昙花一现。杨奕表示，“计算化学的研究尤其如此。”

初入组时，杨奕踌躇满志，他想在一些复杂的化学体系中闯出一片天地。然而，博士研究生的前几年，他在多个不同的体系中徘徊探索，试图找到突破口，但无论他如何努力，似乎总是在关键时刻停滞不前。

在计算化学的世界里，立足的道路无外乎两条：要么在某个体系上超越前人，要么在某种方法上独树一帜。

头三年杨奕的研究进展缓慢，他并没有陷入焦虑，反而像燕园里的猫，平静地游走于繁忙的校园生活中，始终保持一份内心的从容。

终于，在研究淀粉样蛋白的聚集过程中，杨奕利用高毅勤教授课题组开发的Integrated Tempering Sampling（温度积分抽样，ITS）增强采样方法，深入揭示了Aβ37−42肽在水和盐溶液中的聚集过程。

此前的研究表明Aβ肽聚集是阿尔茨海默病（AD）病理的一环，但不同溶液对这一过程的影响尚不清楚。杨奕通过全原子分子动力学模拟和过渡路径理论，观察到NaCl溶液显著加速了Aβ肽的聚集过程，揭示了盐效应如何影响聚集的路径和速度。研究结果显示，NaCl通过改变聚集机制，不仅影响最终结构，还显著调控聚集动力学，为理解AD病理提供了新视角。

随着研究的深入，杨奕逐渐对分子动力学（MD）模拟的采样方法开发产生了浓厚的兴趣。ITS方法凭借其独特的全局采样能力，让他得以快速模拟复杂分子体系中的反应轨迹。这种方法通过构造非玻尔兹曼分布，能够大大扩展体系的势能采样范围，不仅提高了自由能的计算效率，还在资源需求上表现出了相对优势。

同时，Metadynamics（元动力学）这个名字开始频繁出现在他的视野中。这种方法专门针对局部的精细采样而设计，虽然ITS在整个体系的自由度加速上显著优势，但针对特定过程自由度的加速效果有限，而Metadynamics尤其适合解决这个问题。

杨奕对Metadynamics的好奇与渴望也随之而来。“当时我根据Metadynamics的原理搭建了一个框架，虽然有些粗糙，但效果还不错。”他萌生了深入学习Metadynamics的想法，希望通过掌握不同的增强采样技术，进一步拓展研究能力。

深入这项技术的最佳途径是在博士后阶段加入一个专注于此领域的课题组。于是，杨奕的目标变得明确，他列出了一份详细的目标名单，其中的每一个课题组都是增强采样领域的佼佼者。自然，Michele Parrinello教授作为这项技术的发明人、分子动力学模拟方法奠基人之一，位列名单首位。

科学的道路有时也有着出其不意的幸运，杨奕甚至没有机会用到那份名单，只凭一次面试就得到了Parrinello教授的认可。杨奕还记得，当他告诉高毅勤教授这件事时，高老师也一脸怀疑。然而几周后，Parrinello教授的正式offer果然发了过来。杨奕随后踏上瑞士的国土，他在Parrinello教授身上也深深地体会到了意大利科学家的随性与独特的创造力。

出国前，高毅勤教授的一段话让杨奕至今都记忆犹新。他说：“可能导师年龄大了，你会看到他在很多地方都不如年轻人灵光，甚至感觉还不如你聪明，就好比你看他端一个杯子都端不稳，而你不但端得稳稳的，甚至还能拿着杯子耍各种杂技。然而你要知道，这个杯子就是他造的，当初要是没有他，你现在这些杂技也耍不出来，所以一定要尊重他，虚心学习，要知道他作为这个领域的权威和先驱必然有其独到的地方，能发现和学习到这些才是最重要的。”

高老师的话时常在杨奕的耳畔回响，他不仅教会了杨奕如何成为科研上的专家，更重要的是教他如何做人，如何用谦逊与敬畏之心面对人生的每一位导师和机遇。这段话后来成为了杨奕在知乎上最受欢迎的分享，获得了成千上万的点赞。

人生中遇到一位能够点拨你、引导你前行的导师是难能可贵的。高老师的言传身教贯穿在杨奕的每一步成长中，如同涓涓细流，潜移默化地影响着他的学术追求和人生方向。

杨奕在北京大学高毅勤教授课题组

PART.02 逆水行舟，不进则退

每当没有思路的时候，杨奕就会走下楼，踱步在卢加诺湖畔。

卢加诺湖水静静流淌，两岸的建筑在冬日的银装中显得格外庄严肃穆。罗曼式双塔诉说着历史的沉淀与时光的锤炼，阿尔卑斯山在薄雾笼罩下若隐若现。

从2016年1月份来到苏黎世联邦理工学院的Michele Parrinello教授课题组，杨奕已经见证了卢加诺的四季轮回。

春日山茶花绯云垂枝，夏日金色阳光洒满大地，秋日斑斓树叶披上丰盈彩衣。而此刻，再度迎来卢加诺的绵绵白雪，整个城市被妆点得晶莹剔透。

但是眼前的景色杨奕并不确定还能看多久。

刚来时，Parrinello教授对他充满了期待，每天都会来实验室询问进展，给予指导和支持。

然而，时隔一年，杨奕始终没有取得期望中的进展，他编写的程序和运行的模拟，不断在庞大的数据海洋中翻腾，却始终无法找到那条通向答案的路径。

和实验化学家用烧杯和试管做实验不同，计算化学家用计算机搭建模型追寻真理。对于这些理论的拓荒者来说，工作量并非决定性因素，即使在面对大量编程任务时，也需要先形成思路才能在键盘上敲打。

Parrinello教授因其在理论和计算化学领域的重要贡献而闻名于世，课题组成员因而能够在纯理论的领域中自由驰骋，这是很多其他团队所不具备的。

捕捉灵感就像在黑夜中寻找一颗星辰，有时需要时间打磨，才能发现熠熠生辉的星光。一些科学家甚至会租一条小船，漂浮在湖中，静谧地思索。

来自山东泉城的务实汉子杨奕可没有那个闲情逸致，陷入思维困局时，他通常选择下楼溜达，在鹅卵石铺成的蜿蜒小巷间，在卢加诺澄澈如镜的湖畔，丈量着这座城市，寻找顿悟的契机。

恰好，课题组的一位同事正在研究二氧化硅的结晶过程，这个复杂的材料相变体系，给杨奕带来了启示。

在化学反应，反应势垒比较高是一个关键问题，二氧化硅的结晶过程也一样。反应物需要吸收大量能量才能克服这个“山峰”，转化为产物。这种转变可能需要几秒钟甚至更长时间，而在计算机模拟中，几秒钟的数据处理可能需要数百小时甚至数千小时的计算时间。为了解决这个问题，计算化学家们开发了多种方法来加速模拟过程，使得捕捉和分析这些高势垒反应成为可能。

运用Metadynamics虽然能加速罕见事件的发生，但研究结晶相变过程的自由能变化，涉及计算同一性质在不同温度下的差异，就需要同时运行多条模拟，耗时较长。

看到同事的工作，杨奕灵光乍现。他博士期间所在的高毅勤教授课题组开发的ITS，这种方法就像是在高温和低温之间搭起了一座桥，让系统的能量分布更加广泛，能够更快地计算出热力学性质。更重要的是，使用ITS可以只在单一温度下进行模拟，就能计算出体系在不同温度下的热力学。

杨奕迫不及待地着手实验，将两种方法结合后，对二氧化硅结晶过程进行模拟。原本他只是想用ITS技术，在单一温度下模拟得到不同温度的性质，从而省去多次模拟的麻烦。但结果比预想的更好：结合ITS后，不仅一次模拟就能涵盖多个温度区间，而且单次模拟的转变效率还提升了一个数量级。

Parrinello教授看了结果后，异常震惊，他开始频繁与杨奕讨论研究细节，深入了解ITS方法的每一个技术细节。

后来，Parrinello课题组成功使用MetaITS方法实现了TIP4P/Ice水分子模型体系的相变过程。实际上，在全原子分子动力学模拟中模拟水从液态变成冰的过程是一件上非常困难的事。之前世界上仅有一例成功的“自发”结冰案例，但几乎无法重复。运用MetaITS方法首次在全原子分子动力学模拟中，切实实现了从纯水到冰相可逆相变的真正可控模拟方法。

杨奕回忆道：“即便头一年未能达成预期的成果，我仍然乐在其中。那段时光让我深入领略了Parrinello教授新开发的VES方法和PLUMED软件的代码，这使我在系统性工程的学习中汲取了深厚的养分，为后续的软件开发奠定了坚实的基础。”

无论是在公式、函数和代码的世界里，还是在美景与美食的怀抱中，杨奕总能轻松找到乐趣。

而彼时一项蓬勃生长的新技术，正逐步闯入他的科研生涯，并彻底改写他之后的人生轨迹。

杨奕在苏黎世联邦理工学院Michele Parrinello教授课题组

PART.03 驭风而行，扬帆起航

2016年末，一位名为“Master”的神秘棋手在各大围棋网站所向披靡，60连胜不败的纪录令人瞠目结舌。最终真相揭开，Master正是进化后的AlphaGo第三代。

其实在2016年，AlphaGo第二代就与李世石交手过，李世石1：4输给了AlphaGo。随后，中国棋院宣布派出当时世界排名第一的柯洁与AlphaGo对战交锋，然而三番棋全败。

那可能是 AI 技术在ChatGPT登场前，其中一个最重要的高光时刻。

身处瑞士的杨奕，被铺天盖地的新闻所吸引。AlphaGo横扫棋坛，昭示着人类智域的一场巨大变革。作为一名同样致力于工具开发的研究者，杨奕敏锐地意识到，在算法优化与预测精度上，人工智能或许能为分子运动揭示出更深层的规律与动态。

随着对AlphaGo技术的深入理解，杨奕看到了AI技术与自己所从事的分子模拟的深层联系。

在模拟中，每一个分子的运动路径，就像围棋中的每一步落子，都是庞大空间中的“试探”。分子在不同的能量谷之间游走，寻找最合适的系综，而AI在棋盘上穿梭，试图锁定制胜的关键。

AlphaGo的每一步棋，是对无数潜在棋局的“采样”后，基于反馈选择的最佳应对，而MD模拟中的增强采样，同样是基于系统反馈的采样，不断调整以达到最优解。

AI下棋的过程本质上就是一种采样，而MD模拟中的增强采样本质上可看做是一种强化学习。

“这两者的过程如此相似，AI和MD天生就适合结合在一起。”杨奕感叹道，MD的采样工作和AI下棋如出一辙，那么，将AI的深度学习引入MD采样就是水到渠成的自然融合。

基于AI的深度学习思想，杨奕与合作者率先将深度强化学习引入MD模拟。他们创立了一个全新的方法：目标对抗学习优化采样（Targeted Adversarial Learning Optimized Sampling），简称TALOS。

TALOS的核心，是一个充满对抗性的“游戏”。采样引擎与神经网络鉴别器交替发起挑战，试图通过一场场无休止的博弈，动态地改变模拟体系的自由能面，让系统的行为接近用户设定的目标分布。

杨奕选择了一些复杂的生物物理系统进行测试，通常这些复杂系统中存在较多高耸的“自由能障碍”，需要耗费大量计算时间去跨越。

然而，TALOS却如同一位灵巧的“旅行家”，找到了最省力的捷径，通过不断调整哈密顿量，将系统快速推进到目标分布。

传统的增强采样方法依赖人工设置的特定数学公式和物理法则，采样往往只能根据预设的反应坐标内进行。当遇到新的分布形式时，需要人为调整参数，重新设定公式，这一过程复杂且耗时。

通过深度强化学习，TALOS不必依赖复杂的数学映射，可以通过不断学习自行优化采样策略。这种能力大大提升了采样效率，减少了人为干预的需求。

杨奕凝视着屏幕上令人惊叹的结果，他坚信，TALOS的深度强化学习如果只用在增强采样上就是大材小用，这种方法有更广泛的潜力，不仅仅是在寻找稀有事件上，而是在揭示更深层次的化学反应机制与更复杂的生物体系中。

Zhang, J.; Yang, Y. I.; Noé, F. Targeted Adversarial Learning Optimized Sampling.J. Phys. Chem. Lett.2019, 10 (19), 5791−5797

带着将AI技术与分子模拟结合的突破性进展，2019年，杨奕离开了瑞士，踏上了深圳这片生机勃发的土地。这座城市，如同一座信息化的熔炉，以惊人的速度汇聚着最前沿的科技力量。

当时的深圳湾实验室还只是一块初生的科研苗圃，它召唤着一批怀抱理想的科学家，在IT与BT交融的领域开拓新的边疆，杨奕正好合上了这个节拍。他与实验室一起成长，在AI与分子模拟的融合之路上启航，借助深圳的力量，他的研究之舟行得愈发稳健而迅疾。回望来路，杨奕明白，那个初来深圳的决定，是多么深远而正确。

在随后的研究里，杨奕运用强化学习来生成分子力场。以往，构建一套分子力场多采用“自下而上”的传统方式，即逐一拟合势能函数里各式各样不同的能量项，操作过程繁琐且耗时费力。然而，借助强化学习策略，便能转换思路，以“自上而下”的全新视角，依据MD模拟的轨迹，直接“学习”并生成一套完整的分子力场。

这种强化学习策略不仅减少了对先验知识的依赖，还可以自动生成并优化模拟路径。特别是在化学反应的过渡态探索中，杨奕将强化学习模拟成“虚拟玩家”，通过不断优化采样策略，可以直接在MD模拟中寻找到化学反应的过渡态，从而揭示化学反应的机理，“深度强化学习方法的引入，可以让我们做到以前做不到的事情”，杨奕说。

AI赋能的分子模拟势必成为未来科学研究的关键工具，这场技术革新的潮流势不可挡。唯有洞见其潜力并勇于驾驭这股力量，才能立于创新浪潮的前沿。

然而，新生的AI技术与传统的分子模拟工具间似乎总有一道无形的屏障。特别是如果要将强化学习用于分子模拟，就需要在运行过程中实时与AI进行数据交互，而不是等模拟结束后再进行训练。传统的模拟软件由于代码的老旧和封闭结构，难以满足实时数据交互的要求。

此前的AI平台也并非为分子模拟量身定制，缺乏对分子系统的直接支持，往往导致计算瓶颈和数据传输延迟等问题。

杨奕意识到，要彻底释放AI的潜力并推动更高效的分子模拟，必须开发一款从底层就实现AI与分子模拟融合的新型软件，以全面支持实时反馈和模型智能调整。

尽管团队写出了一些核心代码，但仅靠一个课题组的小规模力量，想要完全原创一整套新的软件几乎是不可能的。杨奕表示，一开始我们只是想做一个AI辅助的插件。

实际上，早在AI浪潮初起之时，在深圳的一栋栋写字楼内，科技巨擘们就开始默默积蓄力量，带着雄厚的底气和无畏的姿态，迎接着人工智能的时代风暴……

事情的转折出现在一次行业会议上，杨奕偶然得知国内一家高科技公司已经在AI计算框架的开发上取得进展，这个框架，就是昇思MindSpore。

MindSpore为开发者提供了简化的编程体验，支持自动微分和并行计算，恰好能够弥补在分子模拟中实时训练和反馈的不足。

对于MindSpore而言，他们也亟需找到一批种子应用来验证平台的潜力，打响自己的第一批成功案例。于是，这场合作如星火遇上干柴，一拍即合。

昇思团队投入了强大的资源支撑，与深圳湾实验室和北京大学共同推进全新一代分子模拟软件，软件取名为MindSPONGE。

软件开发早期，杨奕和昇思团队之间的沟通几乎没有中断过，无数个白天夜晚，他的建议和反馈出现在开发组的工作群中。那段时间，MindSpore的每一个开发者几乎都认识杨奕，他的名字和问题清单在代码的世界中如同印刻的注脚——突破AI和分子模拟融合的桎梏。

从只有2个人的工作组，到团队逐渐壮大，发展为独立的课题组，杨奕从零敲打着MindSPONGE的代码，仅一年间，他便写下了两万多行代码，这些代码记录着无数次尝试、改进和反复的推敲完善。

2021年4月25日，国内首款人工智能分子动力模拟软件MindSPONGE正式发布，结合深度学习和大规模并行化的优势，填补了国内智能化分子模拟领域的空白。

2022年8月，第二代MindSPONGE推出，不仅更深度地把分子模拟转化为AI训练过程，还支持小批量处理，实现多条轨迹并行模拟。通过“端到端可微”技术，科研人员可直接优化模拟结果，避免传统分子模拟软件的反复尝试。

这些特性让MindSPONGE真正成为下一代智能分子模拟软件。

十多年前，计算化学还是一个冷门的学科，市面上鲜有相关专业的职位。分子模拟技术也只是少数科研人员探索的领域，很少有人关注。

而今，随着AI、云计算、大数据等前沿技术的快速发展，计算化学焕发出前所未有的活力。让这一领域得以在更多场景中应用，需求也不断扩大，岗位选择从稀缺变得多元。

技术发展带来了全新的可能性，也让越来越多的人开始关注并深入了解这一前沿领域。

2021年8月，MindSpore SPONGE暑期学校应运而生，联合多家科研机构和高校，聚集分子计算领域的专家与师资力量。到目前为止，暑期学校已成功举办四期，线下活动吸引了数千名学员，线上课程更是吸引了来自医学、生物、物理、化学、计算等领域的数万名学生和从业人员免费参与。

杨奕AI for Science的征途才刚刚开始，MindSPONGE作为一款全新的软件，仍有许多不成熟之处有待完善。他将与无数志同道合的人携手前行，在极微小的尺度上重新诠释自然的法则，在未来的每一行代码、每一个模型中抵达，一个未曾抵达的世界。

杨奕博士，深圳湾实验室系统与物理生物学研究所特聘研究员。2010年本科毕业于山东大学，获理学（材料物理）学士。2015年获得北京大学理学（物理化学）博士学位，导师为教育部长江学者高毅勤教授。2016年1月至2019年2月于苏黎世联邦理工学院（ETH Zürich）从事博士后研究工作，合作导师为分子动力学模拟方法奠基人之一、理论物理最高荣誉“狄拉克奖”获得者Michele Parrinello教授。2019年4月加入深圳湾实验室系统与物理生物学研究所任副研究员，2024年5月任特聘研究员。杨奕博士长期从事计算化学、特别是分子动力学模拟相关的理论研究，在分子模拟中的增强采样方法、深度强化学习算法、深度分子模型的开发和应用等方面做了许多工作。课题组同华为昇思MindSpore团队合作，开发了具有自主知识产权、基于人工智能的下一代分子动力学模拟软MindSPONGE。

杨奕博士2020年获得华为首批Huawei Ascend Expert (HAE)荣誉称号，目前为昇思MindSpore技术委员会成员、昇思MindSpore资深布道师。课题组研究领域：课题组致力于发展基于人工智能的分子模拟理论、方法、软件和计算平台，并将其应用到有意义的化学、生物和医药体系的研究中。目前课题组的主要研究方向包括：1）开发基于人工智能的新一代分子动力学模拟软件与计算平台；2）开发基于深度学习的新型分子力场和增强采样方法；3）复杂化学反应体系的多尺度AI分子模拟；4）基于AI和分子模拟相结合的药物分子虚拟筛选、设计及晶型预测；5）凝聚态体系相变的理论研究。

课题组常年开放博士后职位招聘，提供优异的科研环境和有竞争力的薪资待遇，有意向者请按照学术界博士后应聘的一般规则准备相关材料并发送至yangyi@szbl.ac.cn。

代表论文：

1.Zhang,J.;Chen,D.;Xia,Y.;Huang,Y.-P.;Lin,X.;Han,X.;Ni,N.;Wang,Z.;Yu,F.;Yang,L.;Yang,Y.I.;Gao,Y.Q.,Artificial Intelligence Enhanced Molecular Simulations.J.Chem.Theory Comput.2023,19,4338-4350.

2.Li,M.;Zhang,J.;Niu,H.;Lei,Y.-K.;Han,X.;Yang,L.;Ye,Z.;Yang,Y.I.;Gao,Y.Q.,Phase Transition between Crystalline Variants of Ordinary Ice.J.Phys.Chem.Lett.2022,13, 8601-8606.

3.Zhang,J.;Lei,Y.-K.;Zhang,Z.;Han,X.;Li,M.;Yang,L.;Yang,Y.I.;Gao,Y.Q.,Deep Reinforcement Learning of Transition States.Phys.Chem.Chem.Phys.2021,23,6888-6895.

4.Zhang,J.;Lei,Y.-K.;Yang,Y.I.;Gao,Y.Q.,Deep Learning for Variational Multiscale Molecular Modeling.J.Chem.Phys.2020,153,174115.

5.Zhang,J.;Yang,Y.I.;Noé,F.,Targeted Adversarial Learning Optimized Sampling.J.Phys.Chem.Lett.2019,10,5791-5797.

撰稿 | 鍮 鍮

编辑 | 鲍文旭

责编 | 远 山