相关实验视频
Updated: Jul 20, 2025
10:00
Gradient Echo Quantum Memory in Warm Atomic Vapor
Published on: November 11, 2013
12.9K
插曲非adiabatic分子动力学哈密尔顿式与双向长期短期记忆网络
Bipeng Wang1, Ludwig Winkler2, Yifan Wu3
1Department of Chemical Engineering, University of Southern California, Los Angeles, California 90089, United States.
The journal of physical chemistry letters
|August 2, 2023
概括
机器学习通过使用双向长期短期记忆网络来插入NA哈密尔顿式来加速非adiabatic (NA) 分子动力学 (MD) 模拟. 这种方法显著降低了计算成本,使材料科学研究的模拟时间更长.
科学领域:
- 计算化学计算化学
- 材料科学 材料科学 材料科学
- 机器学习 机器学习
背景情况:
- 非adiabatic分子动力学 (NA MD) 对于研究远离平衡的过程至关重要.
- 在NA MD中计算激发能量和NA合是计算密集的.
- 现有的机器学习模型与复杂的NA哈密尔顿式对原子几何学的依赖作斗争.
研究的目的:
- 为NA MD模拟开发一种计算效率高的方法.
- 使用机器学习准确地插入NA哈密尔顿式.
- 在材料中扩展NA MD模拟的可访问时间表.
主要方法:
- 采用双向长期短期记忆网络 (Bi-LSTM) 来插入时间域中的NA哈密尔顿数.
- 在三个金属化物矿系统中应用了多尺度方法.
- 集成Bi-LSTM与ML力场用于扩展模拟.
主要成果:
- 与直接的初始计算相比,计算成本降低了两个数量级.
- 获得合理的电荷捕获和重组时间,每半皮秒采用NA哈密尔顿采样.
- 扩展了NAMD模拟时间,从皮秒到纳秒,捕捉缓慢的动态.
结论:
- 双LSTM-NAMD方法提供了显著的计算节约,并优于以前的模型.
- 这种方法准确地捕捉了NA MD中的快速和慢速时间表.
- 该方法使纳米秒时间尺度模拟成为可能,这对于理解复杂的材料行为,包括缺陷和接口至关重要.
