Lambda 報告 EGInterpolator 縮減 DRUGS 上的分子動力學差距

Lambda 表示，分子動力學人工智能受制於昂貴的訓練軌跡，並提出 EGInterpolator 作為與史丹福大學合作的 ICLR 2026 研究。該方法先從大量構象數據學習分子結構，再使用稀缺的 MD 數據學習運動。

在 DRUGS 基準上，Lambda 表示 EGInterpolator 將與參考模擬的差距縮減了鍵角 73%、鍵長 78% 以及扭轉運動 24%。

亦報告了結構優先的消融實驗：移除預訓練後，鍵角的平均 JSD 由 0.173 升至 0.332，鍵長則由 0.142 升至 0.386。