一个基于神经网络的映射和优化框架,用于高精度粗粒度模拟
Zhixuan Zhong1,2, Lifeng Xu1,2, Jian Jiang1,2
1Beijing National Laboratory for Molecular Sciences, State Key Laboratory of Polymer Physics and Chemistry, Institute of Chemistry, Chinese Academy of Sciences, Beijing 100190, P. R. China.
Journal of chemical theory and computation
|January 9, 2025
概括
我们开发了一个分子模拟 (AMOFMS) 的自动化框架,以简化粗粒度 (CG) 力场优化. 该工具使用神经网络进行精确的原子到CG映射,加速高精度分子模拟的开发.
科学领域:
- 计算化学是一种计算化学.
- 分子建模分子建模
- 材料科学 是一种材料科学.
背景情况:
- 准确和高效的粗粒度 (CG) 力场对于模拟大型复杂分子系统至关重要.
- 目前用于CG力场开发的方法往往需要大量的手动干预,并且可能耗时.
研究的目的:
- 为分子模拟 (AMOFMS) 提供一个自动化映射和优化框架.
- 简化和加强开发高精度CG力场的过程.
- 为了减少手工劳动和加快CG力场的优化.
主要方法:
- 开发了一个基于神经网络的映射函数,DSGPM-TP (深度监督图形分区模型与类型预测),用于原子到CG的转换.
- 集成的自下而上的和自上而下的方法论,用于灵活的优化目标.
- 实现了并行优化器,以显著加快力场优化过程.
主要成果:
- DSGPM-TP准确有效地将原子结构转换为CG映射.
- AMOFMS成功地优化了POPC和PEO等系统的参数.
- 该框架在开发高精度CG力场方面表现出强度和有效性.
结论:
- AMOFMS为自动化CG力场开发提供了一个通用和灵活的框架.
- 自动化方法显著减少了力场优化所需的时间和手工努力.
- 这种框架使得大型和复杂系统的高精度分子模拟成为可能.
更多相关视频
14:14Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models
Published on: August 12, 2018
8.8K
08:32Neurovascular Network Explorer 2.0: A Simple Tool for Exploring and Sharing a Database of Optogenetically-evoked Vasomotion in Mouse Cortex In Vivo
Published on: May 4, 2018
6.3K
