分析 ab initio hessian 从一个深度学习潜力过渡状态优化
Eric C-Y Yuan1,2, Anup Kumar3, Xingyi Guan1,2
1Kenneth S. Pitzer Theory Center and Department of Chemistry, University of California, Berkeley, CA, USA.
机器学习准确地识别有机反应中的过渡状态,使用微分神经网络潜力NewtonNet. 这加速了化学机制研究,与传统方法相比,大大降低了计算成本.
科学领域:
- 计算化学的计算化学
- 机器学习在化学中的应用
- 化学反应动力学 化学反应动力学
背景情况:
- 识别过渡状态 (点) 对于理解化学反应机制和预测动力障碍至关重要.
- 传统的方法,如密度函数理论 (DFT) 用于计算潜在能量表面和Hessian,在计算上昂贵.
- 需要有效和准确的方法来确定复杂有机反应中的过渡状态至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 方法,以有效识别有机反应中的过渡状态.
- 为了利用可微分等价神经网络潜力 (NewtonNet) 进行精确的赫西计算.
- 显著降低与过渡状态搜索相关的计算成本.
主要方法:
- 在一个有机反应的大数据集上训练一个完全可分化的等价神经网络潜力,NewtonNet.
- 从训练的牛顿网模型直接导出分析的hessian.
- 在过渡状态搜索的位点优化的每个步骤中使用ML衍生的Hessian.
主要成果:
- 来自NewtonNet的ML Hessian强有力的识别了240个看不见的有机反应的过渡状态.
- 该方法表现出弹性,即使在减弱的初始猜测结构下,也可用于点优化.
- 与准牛顿式DFT和ML方法相比,趋同的优化步骤减少了2-3倍,表明了显著的计算节省.
结论:
- 牛顿网为识别有机反应中的过渡状态提供了一种计算效率高和强大的方法.
- 用ML加速的方法显著降低了研究复杂化学反应机制的障碍.
- 为数据生成,模型训练和ML过渡状态发现提供了一个自动化工作流.
更多相关视频
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
05:51Isotopic Effect in Double Proton Transfer Process of Porphycene Investigated by Enhanced QM/MM Method
Published on: July 19, 2019
相关概念视频
Hybridization of Atomic Orbitals I
Hybridization of Atomic Orbitals II
Energy Diagrams, Transition States, and Intermediates
Valence Bond Theory and Hybridized Orbitals
A σ bond (single bond in a Lewis structure) is a covalent bond in which the electron density is...
Thermodynamic Potentials
Predicting Molecular Geometry
