基于物理的深度学习方法,用于重新引入多个多重 (乳酸) 立体异构体的粗粒度配置中的原子细节

科学领域:

• 计算化学和材料科学.
• 分子建模和模拟. 分子建模和模拟.
• 聚合物科学与工程.

背景情况:

• 多尺度建模结合了不同的分子表示,用于广泛的时空尺度分析.
• 从粗粒度 (CG) 模型到原子模型的后映射是一个错误的反向问题,对复杂的系统具有挑战性.
• 现有的逆向映射方法往往在准确性,效率和适用性方面面临权衡,特别是对于具有异构体的宏分子.

研究的目的:

• 引入一种多功能深度学习方法,用于向后映射多组件粗粒度 (CG) 宏分子,包括具有性中心的宏分子.
• 开发一种灵活且通用的解决方案,用于分子建模中的分辨率转换.
• 确保反向映射方法尊重和保存材料的关键结构特征和物理特性.

主要方法:

• 一个深度学习框架,训练了聚合物的原子和CG表示之间的结构相关性.
• 该模型应用于融化中的线性聚乳酸 (PLA),这是一种广泛使用的可生物降解聚合物.
• 在同聚合物立体异构体和具有随机分布的奇拉中心的共聚物上测试框架.

主要成果:

• 深度学习方法有效地执行复杂的宏分子系统的后置映射.
• 该方法在从CG模型中重建原子细节方面表现出高的准确性和效率.
• 该方法成功地保留了局部包装和其他与材料行为相关的物理性质.

结论:

• 开发的深度学习方法为具有挑战性的反向问题提供了强大而灵活的解决方案.
• 这种多功能框架增强了复杂宏分子的多尺度建模能力,包括具有立体化学多样性的宏分子.
• 该方法通过集成的原子和粗粒度模拟,为更准确地预测材料特性铺平了道路.