Bài báo này đề cập đến thực tế là giá trị trung bình của các tính chất vật lý của một phân tử có liên quan chặt chẽ đến phân bố cấu trúc phân tử của nó, và việc lấy mẫu phân bố này là một thách thức cơ bản trong vật lý và hóa học. Các phương pháp thông thường, chẳng hạn như mô phỏng động lực học phân tử (MD) và lấy mẫu Markov Chain Monte Carlo (MCMC), có thể tốn kém và mất nhiều thời gian. Để khắc phục những hạn chế của các mô hình khuếch tán, vốn đã nổi lên như những giải pháp thay thế hiệu quả bằng cách học phân bố dữ liệu huấn luyện, chúng tôi đề xuất một phương pháp khớp điểm tiềm năng (PSM) sử dụng các gradient năng lượng tiềm năng để dẫn hướng cho các mô hình sinh. PSM không yêu cầu hàm năng lượng chính xác và có thể loại bỏ sai số trong phân bố mẫu ngay cả khi được huấn luyện với dữ liệu hạn chế và có sai số. Chúng tôi chứng minh rằng PSM vượt trội hơn các mô hình tiên tiến hiện có (SOTA) trên mô hình đồ chơi thường được sử dụng, thế năng Lennard-Jones (LJ), và trên các tập dữ liệu MD17 và MD22 có chiều cao. Chúng tôi cũng chứng minh rằng phân bố phân tử do PSM tạo ra gần đúng với phân bố Boltzmann so với các mô hình khuếch tán thông thường.
