Frovatriptan Succinate

<<< 左右滑动见更多 >>>   榴莲忘返AIDD   供稿 | 我做科研只为发疯审稿 | 吉星   目录 Proust 是一款高效的因果蛋白语言模型，它在不牺牲生成能力的前提下，达到了与主流掩码模型相当的适应度预测水平，并革新了对长度变化突变的处理。 PackFlow 利用流匹配和基于物理的强化学习微调，解决了晶体结构预测中生成高能不合理结构的瓶颈。 PlotGDP 是一个免费的 AI 助手，它能让不懂编程的生物学家通过对话直接生成发表级的图表，极大地降低了生物信息学可视化的门槛。 Terra Quantum 团队通过引入量子深度注入和多目标优化，让 Allegro 模型在复杂的无机材料模拟中实现了 13% 的精度提升。 这套方法让 AI 模型终于学会了药物化学家的核心思维：不搞「从零创造」，而是进行精准、可控的局部结构改造。 1. Proust：更小更快，蛋白语言模型也能鱼与熊掌兼得 在蛋白语言模型这个领域，我们长期以来面临一个两难选择。你想要一个能做「填空题」的分析高手，还是一个会「写故事」的创作大师？ 所谓的「填空题」模型，就是掩码语言模型 (Masked Language Models, MLM)，比如大名鼎鼎的 ESM2。你给它一条蛋白序列，遮住其中一个氨基酸，它能很准地猜出应该填什么。这种双向审视上下文的能力，让它在预测突变是好是坏（适应度预测）这类任务上表现极佳。但它的缺点是，你没法让它从头生成一条全新的、有功能的蛋白质序列。 「写故事」的模型，就是因果语言模型 (Causal Language Models)，和 GPT 是一个路子。它像个作家，一个氨基酸接一个氨基酸地写下去，擅长生成全新的序列。可一直以来，大家普遍认为它在分析和预测任务上，比不过专为这事儿设计的 MLM。 现在，一个叫 Proust 的新模型似乎要打破这个僵局。 不再是二选一 Proust 是一个仅有 3.09 亿参数的因果模型。让人眼前一亮的是，它在 ProteinGym 这个行业标准的适应度预测基准上，Spearman 相关系数达到了 0.39。这个成绩，和参数量是它两倍多的 ESM2-650M (0.40) 几乎没差别。 关键在于效率。Proust 达到这个性能，所用的计算资源（FLOPs）只有 ESM2-650M 的 1/62。这是一个巨大的进步。这意味着，以前需要动用大型计算集群才能跑的任务，现在在更普通的硬件上就能实现。对于预算有限的学术实验室或初创公司，这无疑是个好消息。 因果模型的隐藏优势：处理插入和缺失 Proust 不仅追平了对手，还在一个 MLM 的传统弱项上实现了反超。在处理插入和缺失突变（indels）时，Proust 在 69 个测试集上创造了新的单序列模型纪录（ρ = 0.52）。 这其实是因果模型的天然优势。它的工作方式是顺序生成，所以改变序列的长度对它来说是家常便饭。而 MLM 需要固定长度的输入，处理起 indel 就很别扭。在真实的蛋白质工程中，插入和缺失操作和单点突变一样常见，Proust 在这方面的强大能力，让它成了一个更实用的工具。 成功的秘诀：架构，不是生物学「外挂」 Proust 的高效并非来自某些针对蛋白质的「黑魔法」，而是源于一系列模型架构创新。比如，它用了 GQA-S2 注意力机制、跨层残差连接、还有景深因果卷积 (Canon depthwise causal convolutions) 等技术。 简单来说，研究者们不是靠堆积更多数据或参数来提升性能，而是从根本上让模型的计算方式变得更聪明、更高效。这套方法论是通用的，完全可以借鉴到其他领域的模型设计中，这比单纯做一个蛋白模型要有价值得多。 模型「看」到了什么？ 让我觉得有意思的，是 Proust 在没有被喂给任何三维结构信息的情况下，自己学到了很多生物物理学的知识。 通过分析它的注意力图谱，我们发现： 这种「涌现」出的生物学洞见，说明模型不只是在做机械的模式匹配，而是在某种程度上理解了驱动蛋白质折叠和功能的底层物理化学规则。 客观的局限 当然，Proust 也不是万能的。在预测蛋白质热稳定性方面，那些直接利用三维结构信息的模型依然领先。此外，如果完全不考虑计算成本，用海量数据进行检索增强的超大型 MLM 模型，性能上限还是会更高。 Proust 的出现，标志着蛋白语言模型进入了一个新阶段。它证明了因果模型不仅能生成，也能精准预测，而且能以一种极其高效的方式实现。它为我们提供了一个更全能、更易得的工具，未来的蛋白质设计和优化工作，或许会因此变得更加得心应手。 📜Title: No Generation Without Representation: Efficient Causal Protein Language Models Enable Zero-Shot Fitness Estimation 🌐Paper: https://arxiv.org/abs/2602.01845 💻Code: https://github.com/Furkan9015/proust-inference 2. PackFlow：用 RL「调教」晶体结构预测 做药物固态研发或者晶体工程的朋友都知道，晶体结构预测（CSP）简直就是在一个巨大的迷宫里找出口。其中的核心痛点在于：我们如何生成靠谱的「初始构象」？传统的随机搜索（比如 Genarris）虽然能用，但生成的结构里往往充斥着高能态的废品，后续即使上昂贵的 DFT（密度泛函理论）去优化（Relax），也救不回来，纯属浪费算力。 最近这篇关于 PackFlow 的工作非常有意思，它试图用生成式 AI 来解决这个问题。你可以把它看作是一个经过物理学「特训」的流匹配（Flow Matching）模型。 为什么之前的模型不好用？ 以前类似 OXtal 这样的尝试，往往只关注原子坐标，忽略了晶胞参数（Lattice parameters），或者把两者割裂开来。但在周期性体系里，晶胞大小和原子排布是强耦合的。PackFlow 的第一个聪明之处在于联合采样。它能同时搞定笛卡尔坐标和晶胞参数，生成的结构是一个完整的周期性系统，可以直接扔给机器学习势函数（MLIPs）或者 DFT 去算能量，不需要中间再做奇怪的转换。 给模型上「物理课」 这篇论文最大的亮点在于所谓的「物理对齐」（Physics Alignment）。作者没有止步于监督学习，而是引入了强化学习（RL）。 想象一下，如果你只教模型模仿数据库里的晶体结构，它可能学了个大概，但在细节上（比如原子间距）经常出错，搞出原子重叠（Clash）这种违反物理常识的结构。PackFlow 在训练后加了一个 RL 阶段： 请个助教：它利用预训练好的机器学习势函数来计算能量和力。 奖惩机制：如果模型生成的结构能量低、受力合理，就给奖励；如果原子撞在一起，就惩罚。 算法技巧：使用了 GRPO（一种策略优化算法），专门针对流匹配模型设计了单步代理目标。这样既避免了昂贵的积分计算，又能把能量和力这两个信号混合起来指导模型。 效果如何？ 这套组合拳下来，效果立竿见影。 首先是架构上的改进，他们加入了一个「共价键注意力偏置」（Covalent-bond attention bias）。光这一招，就把原子碰撞率从 19% 降到了 3% 以下。这说明告诉模型「哪些原子连在一起」对生成合理的几何结构至关重要。 加上 RL 物理对齐后，碰撞率在基础模型上又降低了 40%。最重要的是，这种微调完全不增加推理时间。这就像是一个内功深厚的高手，出招速度没变，但每一招都更精准、更符合物理规律。 在 OBEQOD 和 XAFPAY01 这些盲测案例中，PackFlow 生成的结构能顺利弛豫到低能量极小值，密度误差比传统的 Genarris 基线降低了 83%。这意味着我们在多晶型筛选时，能把算力集中在那些真正有希望的结构上，而不是在垃圾堆里翻找。 这为 CSP 流程中昂贵的「优化与排名」环节提供了一条极佳的减负路径。 📜Title: PackFlow: Generative Molecular Crystal Structure Prediction via Reinforcement Learning Alignment 🌐Paper: https://arxiv.org/abs/2602.20140 3. 跟 AI 聊天就能出图？PlotGDP 让生物学家告别 R 代码 在生物医药研发领域，我们常常遇到一个瓶颈：湿实验的科学家拿到了宝贵的数据，但要把它变成一张能说明问题的图，往往需要求助于生物信息专家。这个沟通过程不仅耗时，还可能因为信息传递的偏差反复修改。现在，一个叫 PlotGDP 的工具，看起来想彻底解决这个问题。 它的工作原理很简单：你和它聊天，它帮你出图。 具体来说，这是一个基于网页的 AI 代理。你把数据文件上传，然后用日常说话的方式告诉它你的需求，比如「帮我画一张火山图，标记出差异显著的基因」，或者「对这些样本做个主成分分析（PCA）」。PlotGDP 内置的大语言模型（LLM）会理解你的话，然后自动生成相应的 R 语言绘图代码并执行。最终，一张符合出版要求的图就直接显示在你的浏览器里了。 这听起来和很多 AI 代码生成工具类似，但 PlotGDP 的聪明之处在于它的「模板脚本系统」。 我们都知道，直接让大语言模型写代码有时像个新手实习生，可能会一本正经地「创造」出一些根本不存在的函数或参数，这就是所谓的「代码幻觉」。为了解决这个问题，PlotGDP 的开发者给大模型戴上了一副「镣铐」。他们预先为 14 种生物学研究中最常用的图表（比如热图、生存曲线、火山图等）编写了高质量的 R 代码模板。 当用户提出请求时，大模型的工作不再是天马行空地从头写代码，而是在这些经过验证的模板基础上进行修改和填充。这就好像给 AI 一份标准操作规程（SOP），大大降低了出错的概率，保证了生成代码的准确性和鲁棒性。 整个工作流程设计得顺畅。用户上传数据后，可以通过对话反复调整图表的细节，比如「把点的颜色换成蓝色」或者「修改一下坐标轴的标题」。如果你懂一点 R，甚至可以直接在网页上编辑它生成的代码，实时看到修改后的效果。所有的计算都在云端高性能服务器上完成，你只需要一台能上网的普通电脑。 为了证明它的实用性，研究者展示了一个乳腺癌的案例。他们用 PlotGDP 分析了一份公开数据集，仅通过对话就生成了六张图，包括差异表达分析、生存分析等，最终快速锁定了 CCNE2 这个潜在的肿瘤驱动基因。这说明 PlotGDP 不仅是个方便的工具，还能实实在在地加速科学发现。 这个工具完全免费，甚至不需要注册登录。这在商业软件动辄收费不菲的今天，对于预算有限的学术实验室来说是个巨大的福音。它降低了科研人员，尤其是刚接触生物信息学的学生和临床医生的入门门槛，让他们能把更多精力聚焦在数据背后的科学问题上。 当然，它无法取代专业的生物信息学家去解决那些复杂的、非标准化的分析需求。但对于处理那些占我们日常工作 80% 的标准化图表来说，PlotGDP 无疑是一个能极大提升效率的利器。 📜Title: PlotGDP: An AI Agent for Bioinformatics Plotting 🌐Paper: https://www.biorxiv.org/content/10.64898/2026.01.31.702995v2 4. 量子混合 Allegro 模型：在铜锂合金预测上超越经典方法 大家都在关注 AI for Science，特别是机器学习势函数（MLIP）如何改变我们模拟分子的方式。最近，Allegro 模型因为其等变性（Equivariance）处理得当，成了圈子里的明星。但 Terra Quantum AG 的研究团队显然不满足于此，他们想知道：如果在这个架构里塞进一点「量子」魔法，会发生什么？ 给神经网络加点「量子」佐料 研究者这次主要干了两件事。首先，他们尝试了一个基于经典思路的改动，给 Allegro 加上了额外的多层感知机（MLP），称之为 Allegro+MLP。这就像给汽车换了个更大的油箱，意料之中的稳健。 真正让人兴奋的是第二个变体：Allegro+QDI（量子深度注入）。这不是为了蹭量子计算的热度，而是有着明确的数学动机。他们将变分量子电路嵌入到神经网络架构中。这里的核心机制是「数据重上传」策略（data re-uploading）——通过纠缠门将特征按顺序编码到有限的量子比特晶格上。这种方法不需要每个特征对应一个量子比特，却能极大地增强模型识别复杂非线性模式的能力。 不仅仅是黑盒 很多人对量子机器学习（QML）持怀疑态度，觉得这只是增加了不可控的参数。但这项研究做得非常扎实，他们通过 ZX 演算进行了全面的量子电路分析。结果显示，经过简化后，参数保留率达到了 100%。Fisher 信息指标证实了模型具有良好的可训练性，没有陷入让人头疼的「贫瘠高原（barren plateaus）」问题。傅里叶分析也表明，在 161 个可能的项中，有 127 个非零系数，这意味着它的表达能力（Expressivity）达到了 79%。 在哪里见真章？ 这种复杂的架构到底有没有用？为了回答这个问题，他们跑了四个数据集：经典的 QM9 有机分子、rMD17 的阿司匹林和苯子集，以及一个全新的铜 - 锂（Cu-Li）无机数据集。 结果非常耐人寻味。在有机分子上，经典的 Allegro+MLP 表现得更好，这并不意外，因为这些分子的势能面相对「干净」。但在 Cu-Li 数据集上，Allegro+QDI 展现出了统治力，力预测的精度比基线 Allegro 模型提高了 **13%**。 这里不得不提一下这个 Cu-Li 数据集。它是研究团队专门生成的，包含了 11,635 个 DFT 计算结构，涵盖了表面空位、吸附原子、相干界面以及熔融 - 淬火的非晶界面结构。做过材料模拟的人都知道，模拟高温下的金属界面行为极其困难，而量子增强架构恰恰在处理这种高复杂度的「脏」数据时表现出了独特的优势。 鱼和熊掌如何兼得 算得准通常意味着算得慢。为了解决这个问题，作者没有手动调节超参数，而是使用了 SAMO-COBRA 多目标优化算法。他们同时针对预测精度（力和能量的 MAE）和推理速度进行优化。Pareto 前沿分析清晰地展示了这种权衡：在无机金属系统中，如果你追求极致的精度，Allegro+QDI 是更好的选择；而在处理简单的有机分子时，经典的扩展可能更具性价比。 这项工作提供了一个清晰的信号：量子机器学习可能不会立即取代现有的经典算法，但在处理传统方法感到吃力的复杂材料体系（如合金、界面）时，它正在开辟一条极具潜力的新路。 📜Title: Multi-objective optimization and quantum hybridization of equivariant deep learning interatomic potentials on organic and inorganic compounds 🌐Paper: https://arxiv.org/abs/2602.16908 💻Code: https://github.com/glatq/allegro 5. AI 制药新思路：像老药化专家一样改造分子 做药物发现，我们大部分时间都不是在凭空创造一个全新的分子。我们的日常工作更像是修理和升级一辆车：保留好用的底盘（分子骨架），然后思考是该换个新引擎，还是改进一下尾翼（替换某个取代基）。这就是药物化学的精髓——迭代优化。 但过去很多 AI 分子生成模型，思路更像是「给我造辆车」，然后扔给你一堆千奇百怪的设计图，其中大部分都偏离了你的实际需求。它们缺乏对局部化学环境的精细控制，这是它们与一线研发脱节的关键。 这篇论文的工作，在我看来，是朝着正确方向迈出的一大步。它把核心问题从「生成整个分子」转变为「如何进行一次有效的化学变换」。 第一步：教 AI 学会药物化学家的「语感」 研究者们没有用整个分子去训练模型，而是用了 80 万对「匹配分子对变换」(Matched Molecular Pair Transformations, MMPTs)。 什么是 MMPT？很简单，就是一对仅有一个取代基不同的分子。比如，一个苯环上连着一个甲基，另一个连着一个乙基。这个「甲基」到「乙基」的变换，就是一次 MMPT。这正是药物化学家每天在脑中进行的思考。 他们用这些数据训练出一个基础模型 MMPT-FM。这个模型学会了在特定的化学环境（比如一个芳香环的对位）下，哪些基团替换是合理且常见的。它掌握了药物化学的「语感」。 第二步：给 AI 一把「手术刀」，而不是让它自由发挥 这套方法最亮眼的地方在于它的「提示」(Prompting) 机制。我们可以给模型一个带有「遮罩」的模板，清晰地告诉它：「这是我的核心骨架，不要动。我只想让你在这个标记的位置上，给我一些合理的替换方案。」 这就像我们直接对 AI 下指令，把它的创造力限制在我们需要的范围之内。结果非常惊人：通过这种方式生成的分子，化学有效性接近 100%，并且在 Top 20 的推荐中，可以 100% 找回原始文献中的改造方案。这意味着模型不仅能干活，还能干得又准又好。 第三步：让模型「开卷考试」，随时学习新知识 基础模型懂得通用规则，但每个具体的药物研发项目都有自己独特的化学空间和 SAR 规律。如果每次都要为新项目重新训练一个模型，那成本太高了。 这里的解决方案是引入「检索增强生成」 (Retrieval-Augmented Generation, RAG)，我称之为「开卷考试」模式。当我们需要针对一个新靶点或新骨架进行设计时，模型会先去我们指定的数据库（比如公司内部的化合物库或相关的专利库）里，检索出一批结构最相似的已知分子。 然后，它会把这些检索到的「成功案例」作为上下文参考，再给出它的生成建议。这样做的好处是，模型的建议会完美融合通用化学知识和项目特定的化学信息。它在回答问题前，先看了一遍「参考书」。 在多个基准测试中，这套方法的表现都远超经典的生成模型 REINVENT4 和传统的数据库检索。尤其是在一个模拟真实研发时间的测试中（用 2017 年前的专利数据预测 2021 年专利中的分子），它展现出了预测未来分子的潜力。这说明它不只是在重复已知的东西，而是在进行真正有价值的「化学推理」。 这个工作没有去追逐那些「端到端生成全新分子」的宏大叙事，而是回归到了药物化学家工作单元——局部改造。它打造了一个更可控、更实用、更贴近实战的工具，让 AI 真正成为化学家身边的得力助手，而不是一个难以捉摸的「炼丹炉」。 📜Title: Retrieval-Augmented Foundation Models for Matched Molecular Pair Transformations to Recapitulate Medicinal Chemistry Intuition 🌐Paper: https://arxiv.org/abs/2602.16684 — 完 —

本文介绍一篇来自浙江大学侯廷军教授、谢昌谕教授和王極可博士团队发表的题为“A scalable and quantum-accurate foundation model for biomolecular force fields via linearly tensorized quadrangle attention”的研究论文，共同第一作者为浙江大学博士生苏群，祝凯以及澳门理工大学博士生苟巧林。该研究提出了一种名为LiTEN的等变神经网络及其基础模型LiTEN-FF，旨在解决现有原子级生物分子模拟中难以兼顾量子力学精度与计算可扩展性的困境。LiTEN创新性地构建了线性张量四边形注意力（Tensorized Quadrangle Attention, TQA）机制，以线性复杂度高效建模复杂的三体和四体相互作用。在构象优化、自由能表面构建及大分子体系模拟等任务中，LiTEN-FF展现出最先进的精度与极高的计算效率，为高级生物分子建模与药物设计提供了强大的基础物理计算工具。 研究背景 准确的原子模拟对于理解疾病机制、推进药物发现和设计生物材料至关重要。传统方法主要分为两类：经典力场计算效率高，能进行大规模分子动力学模拟，但由于参数固定，难以准确模拟键的重排、过渡态能量和细微构象变化；而量子化学方法（如密度泛函理论）能精确描述电子结构，但高昂的计算成本限制了其在复杂生物大分子动态模拟中的应用。近年来，基于量子化学数据训练的机器学习势（MLIPs）为解决这一难题提供了新途径。尽管取得了显著进展，目前的生物分子建模仍面临多重挑战。首先，现有数据集碎片化且依赖不同精度的从头算方法，在势能面中引入了偏差，阻碍了模型的迁移学习。其次，主流数据集对关键生物分子子空间（如碳水化合物、极性残基等）的表征不足，限制了模型在真实生物系统中的泛化能力。此外，现存模型陷入了精度与效率的困境：高阶等变模型物理一致性好但推理效率极低；而建构于笛卡尔坐标系的低阶模型速度快，却难以准确预测局部多体效应。因此，迫切需要一种在物理一致性、建模精度和计算效率之间取得最佳平衡的新型计算框架。 方法概述 为打破精度与效率之间的壁垒，研究团队开发了 LiTEN 框架（图1）。其核心创新是张量四元注意力（TQA）机制。该机制摒弃了传统的显式高阶张量乘积和球谐函数展开，转而通过向量间的点乘和叉乘重新参数化高阶张量结构，紧凑地编码相互作用并保持等变性。这一设计大幅降低了计算图复杂度，成功突破了Clebsch–Gordan系数计算带来的性能瓶颈，以线性复杂度高效捕获复杂的分子空间扭转及多体耦合关系。在此架构基础上，研究团队采用两阶段层次化训练策略构建了 LiTEN-FF 基础模型：首先在包含1600万个类药物分子构象的 nablaDFT 大规模数据集上进行预训练，以全面捕捉药物样分子的电子结构特征；随后在精度更高、包含200万个生物有机分子的 SPICE 数据集上进行微调。这种训练策略使 LiTEN-FF 具备了跨复杂化学空间与溶剂化环境的强大泛化能力。 图1. LiTEN-FF方法概述。 结果与讨论 基础测试集性能评估 研究团队在 rMD17、MD22 和 Chignolin 等标准基准测试集上系统评估了 LiTEN 的性能。结果显示，LiTEN 在绝大多数子集上达到了最先进（SOTA）水平，在能量和力的预测精度及训练推理速度上，全面超越了 MACE、NequIP 和 Allegro 等主流高精度方法（图2）。 图2. 多种方法在Chignolin数据集上的综合评估。 构象优化与动态几何建模能力 在真空体系的构象优化任务中，LiTEN-FF 达到了量子级精度，其优化出的分子结构与高精度 DFT 计算结果相比，平均均方根误差（RMSD）仅为 0.048 Å。在分子动力学模拟中，该模型能高保真地重现 DFT 级的键长和键角分布，KL 散度极低（0.001–0.01）。此外，在严苛的 TorsionNet206 扭转能基准测试中，LiTEN-FF 不仅优于现有的 MLIPs，还超越了中等级别 DFT 方法，相较于高精度 CCSD(T) 的平均绝对误差（MAE）仅为 0.19 kcal/mol，展现出精准刻画分子势能面的强大能力（图3）。 图3. LiTEN-FF 在真空体系中的应用与评估。 大尺度体系的高效模拟与水溶液性质复现 针对包含约1000个原子的大型分子体系，LiTEN-FF展现出卓越的计算可扩展性，其模拟速度比同类领先模型MACE-OFF快10倍以上（图4）。在确保极高推理速度的同时，该模型在周期性水盒子模拟中依然保持了严格的物理保真度，不仅准确复现了径向分布函数（RDF），还精确捕捉到了关键的水合层结构特征。 图4.周期性体系中的计算效率与性能。 复杂液相体系的自由能景观重构 在更具挑战性的丙氨酸四肽（ala4）水溶液体系中，LiTEN-FF能够精准刻画分子的热力学动态行为。其生成的自由能表面（FES）景观与MACE-OFF高度一致，成功识别出四个关键的亚稳态构象盆地（图5）。此外，LiTEN-FF在捕获复杂构象异质性的同时，在大规模采样上展现出显著的效率优势，为真实溶剂环境下的生物大分子动力学模拟奠定了坚实基础。 图5. ala4体系自由能景观的增强采样。 批量构象搜索性能 通过部署退火和高温动力学模拟工作流，LiTEN-FF 能够快速探索并生成涵盖宽广能量盆地的多样化分子构象。凭借其独特的计算架构，当处理大量分子的构象搜索任务时，LiTEN-FF 展现出卓越的并行加速能力；随着分子批量的增加，生成速度可实现高达40倍的提升，极大推进了高通量药物筛选工作流的效率（图6）。 图6. 基于 LiTEN-FF 的构象搜索流程的可扩展性与效率。 总结 总而言之，LiTEN-FF 的提出标志着分子模拟领域的重要进展。该框架将严格的物理一致性、精准的多体几何建模与高效的推理能力相结合，突破了机器学习力场在量子级精度与大规模计算效率之间长期存在的矛盾。作为面向生物分子体系的新一代基础力场模型，具备良好的跨化学空间泛化能力和溶剂环境适应性，在实际应用中，它可高效支持构象搜索、几何优化、自由能表面构建及复杂大分子动力学模拟，并在千原子规模体系中实现最高约十倍的计算加速。未来，随着其与蛋白质结构预测和分子生成模型的进一步融合，LiTEN-FF 有望成为 AI 分子模拟的重要基础引擎，在药物发现和材料科学等领域展现广阔应用前景。 参考资料 Su, Q., Zhu, K., Gou, Q. et al. A scalable and quantum-accurate foundation model for biomolecular force fields via linearly tensorized quadrangle attention. Nat Commun (2026).  https://doi.org/10.1038/s41467-026-70377-4