Potenciales aprendidos por máquina para la modelización de la solvatación

Área de la Ciencia:

• Química Computacional
• Modelización Molecular
• Química Física

Sus antecedentes:

• Los entornos de disolvente influyen críticamente en las propiedades moleculares, pero la modelización de primeros principios es computacionalmente costosa.
• La modelización precisa de la solvatación es esencial para comprender los procesos químicos.

Objetivo del estudio:

• Revisar el desarrollo y la aplicación de potenciales aprendidos por máquina (MLP) para la modelización de la solvatación.
• Proporcionar una clasificación de los MLP basada en sus objetivos de entrenamiento, tipos de modelos y elecciones de diseño.
• Discutir la integración de los MLP en los flujos de trabajo de solvatación existentes.

Principales métodos:

• Resumir la base teórica de las predicciones de energía y fuerza basadas en MLP.
• Clasificar los MLP por objetivos de entrenamiento, arquitecturas de modelos, descriptores y protocolos de entrenamiento.
• Revisar estudios de caso que involucran moléculas pequeñas, interfaces y sistemas reactivos.

Principales resultados:

• Los MLP proporcionan una precisión de primeros principios a un costo computacional significativamente reducido.
• Los MLP pueden modelar eficazmente efectos de solvatación complejos como los enlaces de hidrógeno y la polarización.
• Esta revisión categoriza varios enfoques de MLP y sus estrategias de integración.

Conclusiones:

• Los MLP son herramientas poderosas para una modelización de solvatación eficiente y precisa.
• El trabajo futuro debe centrarse en el desarrollo de MLP transferibles, robustos y físicamente fundamentados.
• Los MLP están preparados para revolucionar la modelización atomística de sistemas solvatados.