Lambda 报告称 EGInterpolator 缩小了 DRUGS 上的分子动力学差距

Lambda 表示，分子动力学人工智能受限于昂贵的训练轨迹，并介绍了与斯坦福大学合作的 ICLR 2026 工作 EGInterpolator。该方法首先从丰富的构象数据中学习分子结构，然后利用稀缺的 MD 数据学习运动。

在 DRUGS 基准上，Lambda 表示 EGInterpolator 将与参考模拟的差距缩小了：键角 73%、键长 78%、扭转运动 24%。

还报告了结构优先的消融实验：移除预训练后，键角的平均 JSD 从 0.173 升至 0.332，键长的平均 JSD 从 0.142 升至 0.386。