可迁移的生成模型，让分子运动模拟跨越飞秒到纳秒时间尺度

理解分子结构、运动与反应性，关键在于连接跨越极大时间尺度的过程。常规分子动力学（MD）模拟虽能提供原子级细节，但受限于数值稳定性，必须采用飞秒级时间步长——这使其难以高效模拟化学与生物中真正重要的慢过程，例如蛋白质折叠、构象转变或药物解离，这些过程往往耗时微秒至数秒。这类问题被称为“采样难题”：因罕见跃迁事件频次极低，常规模拟需耗费海量算力才能统计可靠结果。

本文提出一种全新框架——可迁移隐式转移算子（TITO）。它不依赖传统逐帧积分，而是通过深度生成模型，直接从已有MD数据中学习分子在任意时间间隔（如1纳秒、10纳秒甚至更长）内的状态转移概率分布。TITO在小分子和四肽上训练后，不仅能精准复现训练体系的热力学平衡态（如玻尔兹曼分布），还能定量预测未见过的新分子（包括五肽至八肽）的构象空间、自由能景观及弛豫动力学过程。实验证明：TITO发现了一些传统长时间MD模拟未曾采样的真实亚稳态结构，且这些结构随后被高精度的副本交换（RE）MD模拟所证实；其预测的构象转换时间尺度可达微秒量级，与超长MD结果一致。

TITO的核心优势在于“可迁移性”与“可控精度”：它不局限于特定分子，能泛化到不同化学组成和更大尺寸的肽链（经简单物理标度修正后）；用户还可根据需求灵活权衡计算成本与精度——例如，若只需快速生成热力学系综，可大幅降低算力消耗；若需精确捕捉动力学速率，则增加少量计算即可。在单块GPU上，TITO每日可模拟约10毫秒的物理时间，比传统MD快四个数量级（即1万倍）。该方法绕过了传统数值积分的瓶颈，代表了一种范式转变：不再“一步步算”，而是“直接学规律”。尽管目前尚限于隐式溶剂和数百原子规模，但它为研究生物学与材料科学中长期无法触及的超慢过程（如酶催化、相变、老化）开辟了切实可行的新路径。