通过分子动力学模拟训练的机器学习模型的评估结果推断了表面上乙醇吸附的结果

科学领域:

• 计算化学计算化学
• 材料科学 材料科学 材料科学
• 机器学习应用 机器学习应用

背景情况:

• 分子动力学 (MD) 模拟为化学反应和结合动力学提供了详细的见解,但面临时间/长度尺度限制和数据处理挑战.
• 从MD模拟中有效处理大数据集,准确确定反应速率对于更广泛的应用至关重要.
• 预测吸附现象,例如表面上的乙醇,对于各种工业过程至关重要.

研究的目的:

• 开发和评估一个结合MD模拟和机器学习 (ML) 回归模型的框架,以解决MD的规模限制和数据处理挑战.
• 在 (Al) 板上创建乙醇吸附的准确预测模型,显著减少计算时间.
• 为了证明ML在科学研究和工业中低成本的约束反应估计的潜力.

主要方法:

• 使用LAMMPS和ReaxFF采用全原子分子动力学模型,在各种条件下模拟Al表面的乙醇吸附.
• 开发和评估了28种不同的ML回归模型,包括线性回归,SVM,决策树,集合方法,GPR和神经网络.
• 贝叶斯超参数优化被用来微调ML模型以获得最佳性能.

主要成果:

• 在所有评估的模型中,基于贝叶斯的高斯过程回归 (GPR) 模型显示了最高的准确性和最低的训练时间.
• 开发的ML框架可以在几秒钟内预测吸附的分子数量,这与传统MD模拟所需的数周相比是显著的改进.
• 预测的吸附率适合集成到宏观模拟中,有效地解决时间和长度尺度的限制.

结论:

• 机器学习回归方法,特别是贝叶斯式GPR,为克服化学动力学MD模拟的计算局限性提供了强大的解决方案.
• 拟议的框架为快速和准确的约束反应速率估计提供了通用方法,作为研究人员和工业界的宝贵工具.
• 这项研究突出了将计算模拟与ML集成的潜力,以加速材料发现和流程优化.