强力场增强的神经网络相互作用:从局部等价嵌入到原子中的分子特性和远程效应
Thomas Plé1, Louis Lagardère1, Jean-Philip Piquemal1
1Sorbonne Université, LCT, UMR 7616 CNRS F-75005 Paris France thomas.ple@sorbonne-université louis.lagardere@sorbonne-université jean-philip.piquemal@sorbonne-université.
我们介绍FENNIX,一种混合机器学习和力场模型,用于准确的分子模拟. 这种新的方法可以实现稳定的分子动力学,并预测复杂的化学过程,推进计算化学.
科学领域:
- 计算化学是一种计算化学.
- 在科学领域的机器学习.
- 分子动力学模拟的模拟.
背景情况:
- 精确的分子模拟对于理解化学和物理过程至关重要.
- 传统的方法往往难以平衡精度,计算成本和可转移性.
- 机器学习提供了提高准确性的潜力,但往往缺乏物理解释性.
研究的目的:
- 开发一种混合模型,FENNIX (力场增强神经网络交互),将机器学习与物理力场相结合.
- 利用等价神经网络来预测局部能量贡献和分子性质.
- 为各种化学系统提供准确和稳定的分子动力学模拟,包括量子效应.
主要方法:
- 开发了FENNIX,一种混合方法,将最先进的等价神经网络与物理动机的能量条件集成在一起.
- 使用高精度的初始数据训练模型,用于小型有机分子和二极体.
- 将远程静电学和分散校正纳入能源计算中.
- 通过执行分子动力学模拟来验证FENNIX,包括对水的核量子效应.
主要成果:
- 芬尼克斯 (FENNIX) 展示了精确的气相能量预测.
- 该模型显示出极好的可转移到冷凝相系统.
- 对于水,实现了稳定的分子动力学模拟,预测了精确的液体特性.
- 芬尼克斯成功计算了化二的自由能景观和小分子的反应解离.
结论:
- 芬尼克 (FENNIX) 是一种强大的混合方法,用于准确高效的分子模拟.
- 该模型处理复杂现象的能力,如溶解和反应性,突出了其在计算化学中的潜力.
- 这种物理驱动的机器学习方法在推断到新的化学场景时提供了显著的优势.
更多相关视频
07:31Author Spotlight: Advancing Cell Membrane Biophysics - Exploring Interactions and Challenges Through Experimental and Computational Approaches
Published on: September 1, 2023
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
相关概念视频
¹H NMR: Long-Range Coupling
In alkenes, spin information is communicated via σ–π overlap, as seen in allylic (four-bond) and homoallylic (five-bond) couplings. These coupling interactions are stronger when the σ bond is parallel to the alkene...
Van der Waals Interactions
π Electron Effects on Chemical Shift: Overview
Diamagnetic Shielding of Nuclei: Local Diamagnetic Current
Noncovalent Attractions in Biomolecules
Four types of noncovalent interactions are hydrogen bonds, van der Waals forces, ionic bonds, and hydrophobic interactions.
Hydrogen bonding results from the electrostatic attraction of a hydrogen atom covalently bonded to a strong-electronegative atom like oxygen,...
Intermolecular Forces
