Acelerar la optimización de parámetros de campo de fuerza a escala múltiple mediante la sustitución de cálculos de...

Área de la Ciencia:

• Química computacional y ciencias de los materiales
• Aplicación del aprendizaje automático en modelos científicos

Sus antecedentes:

• El modelado molecular se basa en campos de fuerza precisos (FF) para predecir las propiedades del sistema.
• La optimización del parámetro de campo de fuerza (FFParam) es crucial para mejorar la precisión y aplicabilidad de FF.
• La optimización tradicional de FF implica simulaciones de dinámica molecular (MD) que requieren mucho tiempo.

Objetivo del estudio:

• Para acelerar el proceso de optimización de parámetros de campo de fuerza a múltiples escalas.
• Sustituir las costosas simulaciones de MD por un modelo sustituto de aprendizaje automático (ML).
• Para optimizar los parámetros de Lennard-Jones para el carbono y el hidrógeno en el modelado molecular.

Principales métodos:

• Desarrollo e implementación de un modelo sustituto de aprendizaje automático.
• Sustitución de simulaciones MD con el sustituto ML en un flujo de trabajo de optimización de FFParam a múltiples escalas.
• La optimización se centró en los parámetros de Lennard-Jones para el n-octano, apuntando a las energías conformacionales y la densidad masiva.

Principales resultados:

• Se logró un factor de aceleración de aproximadamente 20 mediante la sustitución de simulaciones MD con el sustituto ML.
• Mantiene la calidad de los campos de fuerza optimizados comparables a los métodos tradicionales.
• Se presentó un flujo de trabajo exhaustivo para la adquisición y preparación de datos para la formación de modelos sustitutos de ML.

Conclusiones:

• Los modelos sustitutos de aprendizaje automático ofrecen una aceleración significativa para la optimización de parámetros de campo de fuerza.
• Este enfoque basado en datos mantiene la precisión de los campos de fuerza mientras reduce drásticamente el costo computacional.
• La metodología presentada permite un desarrollo y una aplicación más eficientes de las herramientas de modelado molecular.