# Lambda 報告 EGInterpolator 縮減 DRUGS 上的分子動力學差距

Lambda 將 EGInterpolator 描述為與史丹福大學合作的 ICLR 2026 研究，該方法先從大量構象數據學習分子結構，再從稀缺的 MD 軌跡學習運動。在 DRUGS 基準上，該公司表示此方法將與參考模擬的差距縮減了鍵角 73%、鍵長 78% 以及扭轉運動 24%。

Language: zh-HK
Time zone: Asia/Hong_Kong
Current time (UTC, cached as of): 2026-11-10T07:33:00.000Z
Query date (Asia/Hong_Kong): 2026-11-10

HTML: https://didcodexreset.com/zh-hk/news/aba6e621858446cabad3c673.html

Content language: zh-HK
Localization state: translated

來源：Lambda · 發布於 22/9/2026 03:03:56

Lambda 表示，分子動力學人工智能受制於昂貴的訓練軌跡，並提出 **EGInterpolator** 作為與史丹福大學合作的 ICLR 2026 研究。該方法先從大量構象數據學習分子結構，再使用稀缺的 MD 數據學習運動。

在 DRUGS 基準上，Lambda 表示 EGInterpolator 將與參考模擬的差距縮減了鍵角 **73%**、鍵長 **78%** 以及扭轉運動 **24%。**

亦報告了結構優先的消融實驗：移除預訓練後，鍵角的平均 JSD 由 0.173 升至 0.332，鍵長則由 0.142 升至 0.386。

Tags: EGInterpolator, 分子動力學, ICLR 2026, Lambda

[查看主帖原文](https://x.com/LambdaAPI/status/2102110872583987295)