Two for One：一个扩散模型，为什么能变成力场？

00

THE WHOLE PAPER IN ONE CHAIN

先建立全局地图

五个等号，串起整篇论文。

如果训练构象来自温度为 T 的平衡分布，那么结构出现得越频繁，自由能越低。对 log density 求坐标梯度，就得到指向高概率区域的 score；乘上热能尺度 k_BT，它正是平均力。

平衡分布q(z) ∝ exp[−V(z)/(k_BT)]构象 z 出现的概率

⇒

自由能V(z) = −k_BT log q(z) + C概率的负对数

⇒

平均力F(z) = k_BT ∇_z log q(z)概率上坡就是能量下坡

≈

扩散 scorek_BT s_θ(z,i)低噪声时逼近真实 score

=

DFF−k_BT ε_θ(z,i) / √(1−ᾱ_i)从 noise predictor 直接读力

01

FROM ATOMS TO A DISTRIBUTION

粗粒化真正要保留什么

少掉的原子没有消失，它们被积分进平均力。

全原子坐标 x 有 3N 个自由度；粗粒化坐标 z = Ξx 只保留 3n 个自由度。论文对每个残基只保留一个 C_α bead。任务不是复原每个被删原子，而是让保留下来的 beads 仍访问正确的平衡构象分布。

拖动粗粒化程度

24 atoms → 8 beads

每个 bead 代表一组被积分掉的快速自由度。自由度变少使模拟更便宜，却让有效相互作用变成复杂的多体平均力。

CORE FORMULA 1

粗粒化边缘分布

把所有会映射到同一个 z 的原子构象权重加起来。

q(z) = ∫ exp[−U(x)/(k_BT)] δ(Ξx−z) dx∫ exp[−U(x′)/(k_BT)] dx′

x所有原子的三维坐标

z = Ξx保留下来的 CG 坐标

U(x)全原子势能

δ(Ξx−z)只收集映射到该 z 的构象

展开：从边缘分布到平均力

第一步，把分母记为与 z 无关的配分函数 Z。第二步定义势均力，也就是粗粒化自由能：

V(z) = −k_BT log q(z) + C

第三步对坐标取负梯度。常数消失：

F(z) = −∇_zV(z) = k_BT ∇_zlog q(z)

因此只要能学到平衡密度的 log-gradient，就能得到热力学一致的平均力。困难在于上面的高维积分通常不可计算。

02

WHY SCORE IS FORCE

密度不是力，密度的梯度才是

score 告诉你“往哪走，概率增长最快”。

score 定义为 s(z) = ∇ log q(z)。它没有告诉你概率的绝对大小，却给出每个坐标方向上的局部斜率。玻尔兹曼关系把这个无量纲方向乘上 k_BT，变成具有能量每长度单位的力。

移动当前构象

概率 q0.42

score ∂ log q/∂z+1.36

力方向向右 →

在概率峰顶，score 为零，对应平均力平衡；在概率谷底两侧，score 指向不同的高概率盆地。

log 的作用

把乘法权重变成可加能量。

玻尔兹曼概率是指数形式；取负对数后得到自由能，求梯度后归一化常数自动消失。

score 的限制

它只在数据覆盖处可信。

训练数据没有访问过的构象区，网络仍会输出向量，但没有证据保证这是正确的物理力。

“平均”的含义

被删除自由度留下了熵。

粗粒化力不是简单删掉原子后的真空力，而是条件于 z 后对所有微观构象求平均产生的势均力。

03

THE DIFFUSION MODEL

先忘掉动力学，只学习静态分布

训练数据可以打乱，因为模型首先学的是平衡密度。

这里的扩散时间 i 仍然只是噪声等级，不是分子动力学时间。作者把平衡 MD 轨迹投影到 CG 坐标后打乱成构象样本；DDPM 学习怎样把被扰动的构象拉回这些样本形成的分布。

扩散索引 i干净结构 → 高斯噪声

训练用的人工破坏过程；决定 score 的平滑尺度。

≠

动力学时间 t构象 → 下一时刻构象

Langevin 方程中的真实积分变量；产生相关轨迹。

改变噪声等级 i

低噪声：保留局部力

噪声越大，模型看到的分布越平滑。完整反向扩散需要跨过所有等级；提取力场时只固定选择其中一个等级。

CORE FORMULA 2

闭式加噪与训练目标

无需真的逐步加噪；任意等级的带噪构象可以一步采样。

z_i = √ᾱ_i z₀ + √(1−ᾱ_i) ε,　ε ∼ 𝒩(0,I)

ℒ_noise = 𝔼 ‖ ε − ε_θ(z_i, i) ‖²

网络不是直接预测能量或力，而是预测“这次把干净构象推到 z_i 的高斯噪声”。论文采用通常更实用的等权重版本 K_i = 1。

04

THE CENTRAL DERIVATION

从预测噪声到预测力

最关键的负号，来自高斯分布的导数。

论文真正的创新论证集中在下面五步。前两步是 DDPM；第三步是 denoising score matching；第四步调用平衡统计力学；第五步才得到 DFF。

STEP 01 / 05

带噪构象围绕缩放后的干净构象呈高斯分布。

CORE FORMULA 3

Denoising Force Field

训练时没有使用原子力标签，推理时却可以从 noise predictor 读取平均力。

F^DFF(z;i) = − k_BT√(1−ᾱ_i) ε_θ*(z,i)

θ* 模型已充分训练低噪声 q_i ≈ q₀平衡样本 q₀ 为 Boltzmann 边缘分布覆盖域内 不保证外推力正确

完整推导：不跳过中间三行

1. 条件分布是均值 μ = √ᾱ_iz₀、方差 σ² = 1−ᾱ_i 的高斯：

log q(z_i|z₀) = C − ‖z_i−√ᾱ_iz₀‖² / [2(1−ᾱ_i)]

2. 对 z_i 求梯度。平方项的导数给出 2(z_i−μ)，与分母的 2 抵消：

∇_zᵢ log q(z_i|z₀) = −(z_i−√ᾱ_iz₀) / (1−ᾱ_i)

3. 由加噪式，括号内正好等于 √(1−ᾱ_i)ε：

∇_zᵢ log q(z_i|z₀) = −ε / √(1−ᾱ_i)

4. 因而预测 ε 等价于预测条件 score。平方误差的最优解不是记住某一个 z₀，而是对所有可能产生当前 z_i 的干净构象取后验平均：

ε_θ*(z_i,i) = 𝔼[ε | z_i]

把条件 score 也按同一个后验平均，利用 Fisher identity，就得到带噪边缘分布 q_i 的 score：

∇ log q_i(z_i) = 𝔼[∇ log q(z_i|z₀) | z_i] = −ε_θ*(z_i,i)/√(1−ᾱ_i)

5. 当 i 足够小，q_i 只比数据分布稍微平滑，因此 q_i ≈ q₀。再用 F = k_BT∇log q，得到 DFF。

05

TWO OUTPUTS FROM ONE NETWORK

“Two for One” 到底是哪两个

一个学密度，一个沿密度运动。

两种使用方式共享 ε_θ，但算法和产物完全不同。第一种跨越所有扩散等级，输出没有物理时间顺序的独立样本；第二种固定一个低噪声等级，只把网络当作每一步动力学所需的力函数。

06

FROM FORCE TO TRAJECTORY

扩散时间终于退出舞台

真正推进构象的是 Langevin 方程。

提取 DFF 后，作者不再运行完整反向扩散，而是把 F^DFF 当作普通粗粒化力场，使用质量、摩擦和热噪声推进 CG beads。这样得到的相邻帧才具有动力学相关性。

CORE FORMULA 4

欠阻尼 Langevin 方程

确定性平均力、摩擦耗散与随机热碰撞共同决定轨迹。

M d²z/dt² = F^DFF(z) − γM dz/dt + √(2Mγk_BT) w(t)

M z̈惯性

粗粒化 beads 的加速度。

F^DFF平均力

来自扩散 score，而非力标签。

−γM ż摩擦

把动能耗散给未显式表示的环境。

√(2Mγk_BT)w热噪声

与摩擦配对，维持目标温度。

DERIVATION ROOM

为什么“扩散一步 + 去噪一步”近似 Brownian dynamics

这是补充材料中最值得保留的推导，也直接回应生成时间与物理时间是否相同。

展开四步推导

1. 在第一个低噪声等级做一次前向扰动：

z′ = √(1−β₁) z + √β₁ w_a

2. 再做一次去噪。把两次独立高斯噪声合并，并对很小的 β₁ 作一阶近似：

z^t+1 ≈ z^t − √β₁ ε_θ(z^t,1) + √(2β₁) w

3. 过阻尼 Langevin 的 Euler–Maruyama 离散式为：

z^t+1 = z^t + [Δt/(Mγ)]F(z^t) + √[2k_BTΔt/(Mγ)] w

4. 代入 F^DFF = −k_BT ε_θ/√β₁，两式在下面的尺度对应下相同：

β₁ = Δt · k_BT/(Mγ)

这不是说完整 DDPM 的所有噪声等级都等于真实 MD 时间。它只说明在低噪声、小步长和过阻尼近似下，局部 diffuse–denoise 更新与 Brownian 积分器具有相同形式。

论文自己的限定

2 fs 的 CG time step 不能直接解释为 2 fs 的全原子时间。

粗粒化删除了快速自由度，也改变了摩擦和动力学尺度。论文比较状态转移结构与相对概率，但没有建立严格的 coarse-to-fine 时间映射。

07

PHYSICS BUILT INTO THE NETWORK

不是任意 vector field 都能当力场

生成样本看起来对，不代表长时间积分会稳定。

作者让 graph transformer 输出一个标量，再对坐标求梯度得到 ε_θ。这保证最终 DFF 是保守力。补充实验显示，非保守模型对 i.i.d. 采样影响有限，却会显著破坏连续模拟。

01

保守性

ε_θ(z,i) = ∇_z E_θ(z,i)

力来自标量势的梯度，闭合路径总功为零。Chignolin 模拟 TIC JS 从非保守的 0.3216 降到 0.0335。

02

平移不变

input: z_a − z_b

整体搬动蛋白不改变内部能量，也不改变相对力。

03

旋转等变

F(Rz) ≈ R F(z)

训练时用旋转增强近似 SO(3) 等变；补充材料报告验证误差小于 10⁻⁶。

04

不允许镜像

SO(3), not O(3)

镜像会改变蛋白手性，因此不能把反射当作合法对称操作。

08

WHAT THE EXPERIMENTS ESTABLISH

从五个原子到五十六个 beads

论文检验的是分布、全局接触和状态转移，不只是单张结构。

Alanine dipeptide 用四折交叉验证和 10K–500K 训练样本检验数据效率；五种 fast folders 用慢模态、成对距离、RMSD 自由能、接触图和状态转移概率检验更复杂的平衡与动力学。

ALA25backbone beads

Chignolin10residues

Trp-cage20residues

BBA28residues

Villin35residues

Protein G56largest test

切换论文 Table 1 指标

JS divergence，越低越好

0

横条从零开始；每种切换使用固定且标出的最大值。灰色为空缺的 baseline，不代表零误差。

Figure 2

Alanine：低数据区优势最明显。

DFF simulation 明显优于 CGNet 和 Flow-CGNet；DFF i.i.d. 接近训练集与测试集之间的参考下界。四次运行给出 95% 置信区间。

Figures 3–4

全局接触比局部外观更重要。

DFF 在非对角 contact map 区域更接近参考 MD，说明它更好地捕捉远序列残基之间的全局结构；BBA 的 β-sheet 仍较困难。

Figure 5 + Table 2

轨迹出现折叠与解折叠事件。

DFF 的状态转移概率 JS 在四个 fast folders 上低于 Flow-CGNet。不过 CG 时间不能直接映射为全原子时间，因此这支持动力学结构，不等于精确动力学速率。

09

CRITICAL READING

最强结论与最弱结论

它可靠地学到了平衡平均力，但没有证明真实动力学时间被恢复。

论文最扎实的贡献是从仅含构象的平衡数据中训练 conservative score，并把它变成可稳定积分的 CG force field。最需要收窄的是“保留动力学”这句话：作者复现了慢状态和转移结构，却明确承认 CG 与全原子时间没有直接映射。

证据强

一个网络确实完成两个任务。

代码提供完整 DDPM sampling 和 Langevin sampling，预训练模型覆盖六个系统；平衡分布指标在多个分子和多个数据规模上优于相应 baseline。

条件成立

score 近似的是被噪声平滑的密度。

噪声等级太低时估计方差大，太高时自由能盆地被抹平。最佳 i 依赖蛋白和网络容量，需要用模拟交叉验证。

未解决

训练不需要力，不等于训练便宜。

仍需要足够覆盖折叠与解折叠盆地的长时间全原子 MD 构象。缺失状态不会凭空从 score matching 中恢复。

泛化边界

模型基本按系统单独训练。

最大示例为 56-residue Protein G；论文没有建立跨蛋白、跨温度或跨粗粒化映射的统一可转移力场。

比较限制

baseline 代表 2022 年特定 flow-CG 管线。

文中的“Flow-matching”是 augmented normalizing flow 加 teacher–student 力场蒸馏，不是后来流行的 probability-path ODE Flow Matching。

决定性实验

留出一个亚稳态，而不是随机留出帧。

按构象盆地划分训练和测试，检查模型能否发现未见盆地；再用独立长轨迹测首次通过时间与详细平衡。这会区分插值复现和真正的能量地形泛化。

10

WHAT CAME AFTER

到 2026 年怎样看这篇论文

后续工作没有否定这条桥，而是在两端补信息。

2026 年的后续同行评议工作把原子力监督与 denoising 结合，在 Trp-cage 和 NTL9 上把数据需求最多降低两个数量级。这反过来说明纯构象 DFF 的关键短板正是最低噪声处的力估计；构象密度和真实力标签可以互补。

2023 · THIS PAPER

只用平衡构象

证明 score 可以读作平均力；一个模型兼任生成器和 DFF。

→

2026 · NATURE COMMUNICATIONS

构象 + 原子力 + 噪声

把 force matching 与 denoising 统一，报告最多 100× 数据效率提升。

→

OPEN QUESTION

跨系统与真实时间

可转移力场、未见亚稳态、动力学时间标定仍没有被这条路线彻底解决。

11

SOURCES & REPRODUCTION

原文、补充材料、代码和后续证据

公式以 arXiv v3 与正式 JCTC 版本交叉核对。

arXiv v3 把主文和补充推导合在 32 页中，最适合阅读；正式论文为 JCTC 19(18), 6151–6159。本站图形均为基于论文公式和数据的原创解释图，不是论文图版复制。

VERSION OF RECORDJCTC 正式论文DOI 10.1021/acs.jctc.3c00454 ↗FULL PAPER + APPENDIXarXiv v332 pages · 2023-09-22 ↗OFFICIAL CODEMicrosoft DFF repository训练、预训练模型、采样与评估 ↗FOLLOW-UP · 2026Forces + noise同行评议的后续方法 ↗