KC-maps 不再依赖轨迹数据：用漂移与扩散项学转移核，肽体系采样吞吐超过经典分子动力学
核心概要
KC-maps 把随机微分方程的有限时间转移核直接学成一个神经网络映射，训练时只需要互不相关的边缘样本和已知的漂移、扩散系数，不需要成对的模拟轨迹。它把边界条件写进网络结构，并用 Kolmogorov–Chapman 方程构造训练目标，使不同时间尺度上拼接的转移在分布上保持一致。在丙氨酸二肽、四肽和六肽上，它用单次学习到的转移替代最多 70 fs 的序列积分，在相同 GPU 小时预算下取得更低的 TICA-2 距离，并在 AL6 上覆盖到训练数据中缺失的构象模式。
深度剖析
分子模拟的长时间演化现在可以由一个学习到的转移核一次跨过，而不必逐步积分。 此前从模拟轨迹中学习加速器的方法需要成对的状态作为监督，而生成这些配对本身仍要按飞秒级步长做数值积分，训练数据的成本很高。 在丙氨酸二肽、四肽和六肽上，仅用平衡构象和力场评估训练出的转移核可覆盖最长 70 fs 的区间，替代最多 70 次序列积分步。
这个转移核由条件归一化流表示，其短时行为被结构约束成与给定随机微分方程一致。 归一化流是一类可逆、行列式可解析计算的密度模型，这里以高斯参考核为起点，用带时间门的仿射耦合层做修正。 时间门在时间趋于零时把修正压到零，从而满足不跳变以及一阶、二阶矩由漂移和扩散给定的边界条件；训练目标则要求两步拼接的转移与一步直达的转移在分布上一致。
在相同的一 GPU 小时预算下，学习到的转移核在构象空间覆盖上优于经典分子动力学和 HFM 基线。 经典分子动力学受限于飞秒级步长的顺序积分，慢速构象转变需要极长的墙钟时间。 在 AL2、AL4、AL6 三个体系上，KC-maps 的 TICA-2 距离最低，能量与二面角指标保持可比；在 AL6 上它在一小时内到达四个 TICA 模式中的三个，而分子动力学基线仍缺两个模式。
启示与展望
演示范围限于 LJ-13、LJ-55 两个 Lennard-Jones 体系以及 AL2、AL4、AL6 三个肽体系，转移区间最长 70 fs，比较在单张 L40S 的一 GPU 小时预算下进行；方法面向需要长时间构象采样的分子模拟读者。
作者指出方法依赖训练数据覆盖：在训练集中占比很低的构象模式上动力学指标偏差最大，AL2 中该模式在训练配置里只占很小一部分，而在参考分子动力学中占比明显更高。方法目前对每个分子体系单独训练，尚不支持迁移到未见体系。