Pruebas básicas de estabilidad de potenciales de aprendizaje automático para simulaciones moleculares en el...

Área de la Ciencia:

• Química computacional
• Ciencias de los materiales
• Aprendizaje automático

Sus antecedentes:

• Los potenciales de red neuronal (NNP) entrenados en datos de mecánica cuántica proporcionan cálculos de interacción molecular eficientes.
• Sin embargo, los NNPs pueden exhibir inestabilidades, comportamiento no físico o precisión insuficiente, lo que limita su uso en simulaciones moleculares.

Objetivo del estudio:

• Evaluar sistemáticamente la fiabilidad y el rendimiento de varios potenciales de redes neuronales (PNN) para simulaciones moleculares.
• Evaluar el impacto de la arquitectura del modelo en el rendimiento del NNP utilizando un marco de pruebas coherente.

Principales métodos:

• Se han realizado ensayos de estabilidad del gas y de la fase condensada en ocho NNPs internos (arquitecturas ANI-2x y MACE) y cuatro NNPs públicos (ANI-2x, ANI-1ccx, MACE-OFF23, AIMNet2).
• Realizó análisis de modo normal en moléculas de referencia y simulaciones de dinámica molecular para identificar inestabilidades y comportamientos no físicos.
• Energías de interacción proteína-ligando evaluadas y resultados comparados con afinidades de unión experimentales y otros métodos computacionales.

Principales resultados:

• Se observaron variaciones significativas en el rendimiento del modelo; algunos modelos MACE mostraron inestabilidades durante las simulaciones y los choques estéricos.
• ANI-2x publicado y un modelo interno de MACE no pudieron representar con precisión el agua líquida, formando fases sólidas.
• ANI-1ccx exhibió mínimos de energía no físicos en agua condensada, lo que llevó a transiciones de fase.
• Un NNP interno demostró un acuerdo superior con la estructura experimental del agua en comparación con los modelos estándar.
• La mayoría de los NNPs mostraron una mejor correlación con las afinidades de unión experimentales que las puntuaciones de acoplamiento, con ANI-2x acercándose a la precisión de DFT.

Conclusiones:

• Ningún NNP único es universalmente adecuado; la arquitectura del modelo y los datos de formación influyen significativamente en el rendimiento.
• Las pruebas rigurosas en diferentes fases y condiciones son cruciales para seleccionar NNPs confiables.
• La consideración cuidadosa durante la formación y selección de NNP es esencial para las aplicaciones exitosas en el mundo real.