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
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。