Краткое содержание

arXiv:2511.06585v1 Тип объявления: кросс Аннотация: Слияние статистического обучения и молекулярной физики преобразует наш подход к моделированию биомолекулярных систем. Физически обоснованный машинный интеллект (Physics-Informed Machine Learning — PIML) предлагает систематический подход, объединяющий данные, полученные на основе наблюдений, с физическими ограничениями, что позволяет создавать модели, обладающие точностью, механистичностью, обобщаемостью и способностью экстраполироваться за пределы известных областей. В данном обзоре рассматриваются последние достижения в области физически информированных нейронных сетей и операторного обучения, дифференцируемого молекулярного моделирования и гибридных потенциалов физика-МЛ, особое внимание уделено кинетике длительных временных масштабов, редким событиям и оценке свободной энергии. Мы рассматриваем эти подходы как решения проблемы «биомолекулярного замыкания», восстанавливая нерешенные взаимодействия вне классических силовых полей, одновременно сохраняя термодинамическую согласованность и возможность интерпретации механизмов. Рассматриваются теоретические основы, инструменты и платформы, вычислительные компромиссы и нерешённые вопросы.