浙大侯廷军团队联合IIT等发布系统综述：全景解析机器学习加持下的「增强采样」方法

主要观点总结

本文介绍了机器学习技术在增强采样方法中的应用，尤其是其在分子动力学模拟中的重要作用。文章详细阐述了增强采样方法的发展、与机器学习的融合、实际应用及其面临的挑战。文章还指出，要将增强采样方法扩展到更大更复杂的体系，仍需在多个层面取得突破。

关键观点总结

关键观点1: 机器学习与增强采样方法的融合

介绍机器学习在增强采样方法中的应用，如何与分子动力学模拟结合，解决长时间尺度问题。

关键观点2: 综述概览及重点分析

该综述全面阐述了 ML 与增强采样技术融合的方法论进展，重点分析了实际部署此类模型的需求与挑战，包括蛋白质折叠等生物构象变化等领域。

关键观点3: 机器学习在增强采样中的多个层面推动

除了构建 CV 外，机器学习还在多个层面推动增强采样技术发展，包括表征偏置势能、优化自由能微扰方案、指导副本交换协议等。

关键观点4: 面临的挑战及未来发展方向

文章指出将机器学习技术加持的增强采样方法扩展到更大更复杂的异质体系存在巨大挑战，并讨论了实现全自动增强采样的目标所需的突破点，包括表征学习的进步、集合变量学习与偏置势能学习的统一等。