ASTEROID: A Spatiotemporal Information Transformer for Forecasting Multi-Step Time Series of Molecular Dynamics

📄 arXiv: 2606.17668v1 📥 PDF

作者: Kexin Wu, Luonan Chen, Renxiao Wang

分类: cs.LG, cs.AI, q-bio.QM

发布日期: 2026-06-16

备注: 32 pages,10 figures

💡 一句话要点

提出ASTEROID以解决分子动力学多步预测问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 分子动力学 时空变换 深度学习 多步预测 自注意力机制 Transformer 数据驱动

📋 核心要点

  1. 现有的分子动力学模拟方法在长时间尺度的多步预测中存在计算成本高和准确性不足的问题。
  2. 本文提出的ASTEROID框架通过将MD轨迹视为高维时空序列，利用Transformer架构进行多步原子坐标预测。
  3. 实验结果显示，ASTEROID在多个基准测试中实现了更高的预测准确性，并显著降低了计算成本。

📝 摘要（中文）

分子动力学（MD）模拟计算需求高，尤其是对于需要长期分析的大规模系统。准确预测MD模拟结果不仅是科学挑战，也具有重要的实际价值。本文提出了一种数据驱动框架ASTEROID（高级时空变换器），能够直接预测多步原子坐标，避免传统的迭代积分。ASTEROID将MD轨迹重新表述为高维时空序列，并将时空信息变换方程集成到Transformer架构中。ASTEROID的核心创新在于其建模多尺度时空依赖性的能力，采用局部-全局自注意力机制捕捉短程和长程交互，并通过编码器-解码器结构结合全局上下文与自回归预测。实验结果表明，ASTEROID在多步预测的准确性上超越了现有方法，并显著降低了传统MD模拟的计算成本。

🔬 方法详解

问题定义：本文旨在解决分子动力学模拟中多步预测的高计算成本和准确性不足的问题。现有方法通常依赖于迭代积分，导致效率低下。

核心思路：ASTEROID通过将MD轨迹重构为高维时空序列，利用Transformer架构直接进行多步预测，避免了传统方法的迭代过程。

技术框架：ASTEROID的整体架构包括时空信息变换模块和自注意力机制，分为局部和全局自注意力，以捕捉不同尺度的时空依赖性。编码器-解码器结构则用于整合全局上下文与自回归预测。

关键创新：ASTEROID的主要创新在于其能够有效建模多尺度时空依赖性，尤其是局部-全局自注意力机制的引入，使得模型能够同时捕捉短程和长程交互。

关键设计：模型设计中，采用了特定的损失函数以优化预测精度，并在网络结构中引入了多层自注意力模块，以增强模型的表达能力。

📊 实验亮点

ASTEROID在多个量子力学衍生的分子数据集上进行了评估，结果显示其在多步预测的准确性上超过了现有方法，且计算成本显著降低。具体而言，ASTEROID在各基准测试中实现了更高的预测精度，提升幅度达到了XX%（具体数据未知）。

🎯 应用场景

ASTEROID框架具有广泛的应用潜力，特别是在需要高效预测分子行为的领域，如药物设计、材料科学和生物物理学等。其降低计算成本的能力将推动大规模分子模拟的普及和应用，促进相关科学研究的进展。

📄 摘要（原文）

Molecular dynamics (MD) simulation is computationally demanding, particularly for large-scale systems requiring long-term analysis. Accurate forecast of the outcomes of a MD simulation is not only an attractive scientific challenge but also has substantial practical value. In this work, we developed a data-driven framework, termed ASTEROID (Advanced Spatiotemporal TransformER fOr Inferring Dynamics), that can directly predict multi-step atomic coordinates, avoiding conventional iterative integration. For this purpose, our ASTEROID reformulates MD trajectories as high-dimensional spatiotemporal sequences and integrates the Spatiotemporal Information (STI) Transformation equation into a Transformer architecture. The core innovation of ASTEROID lies in its ability to model multiscale spatiotemporal dependencies. In particular, for spatial dependencies, a local-global self-attention mechanism captures both short- and long-range interactions. For temporal dependencies, an encoder-decoder structure integrates global context with autoregressive forecasting. ASTEROID was evaluated on several quantum-mechanics derived molecular datasets. Our results indicate that ASTEROID achieved not only a higher level of accuracy in multi-step prediction than existing methods on various benchmarks, but also significantly reduced computational cost of conventional MD simulation. Moreover, the model supports iterative multi-step forecasting over an extended time scale. This work establishes a robust and generalizable data-driven paradigm for accelerating MD simulations.