铁的机制 (II) 血上的化学吸收 (001) 通过反应性神经网络潜在分子动力学揭示
Kit Joll1, Philipp Schienbein1,2,3, Kevin M Rosso4
1Department of Physics and Astronomy and Thomas Young Centre, University College London, London WC1E 6BT, United Kingdom.
The journal of physical chemistry letters
|January 17, 2025
概括
一个新的机器学习模型准确地模拟了原子层面的地球化学过程. 这种反应性神经网络的潜在分子动力学方法提高了我们对矿物表面离子相互作用的理解.
科学领域:
- 地质化学 地质化学
- 计算化学的计算化学
- 材料科学 材料科学 材料科学
背景情况:
- 在原子尺度上理解诸如吸附和溶解之类的地化学过程,仅仅通过实验是具有挑战性的.
- 分子模拟对于推进对这些复杂相互作用的原子层次见解至关重要.
研究的目的:
- 开发和介绍一种基于反应神经网络潜力的分子动力学方法,用于模拟矿物表面上的水离子相互作用.
- 为了建模Fe的特定系统 (II) 在血上 (001) 与液态水接触.
主要方法:
- 在分子动力学框架内利用了反应性神经网络的潜力.
- 模拟了水性Fe(II) 离子与血矿物表面的相互作用.
- 水交换和化学吸收的计算速率常数.
主要成果:
- 开发的神经网络潜力准确地预测了水交换和Fe (II) 化学吸收在血上的速率常数,与实验数据保持一致.
- 实现了密度函数理论水平的准确性,使自由能量概况和传输系数趋于一致.
- 在模拟准确度方面表现优于传统的经典力场潜力.
结论:
- 机器学习潜力分子动力学是一种强大而准确的方法,用于对地化学过程的原子学研究.
- 这种方法为详细研究矿物水离子相互作用提供了一个有希望的途径.
- 开发的潜力可以作为未来地质化学模拟的强大模型.
更多相关视频
15:03Synthesis of Functionalized Magnetic Nanoparticles, Their Conjugation with the Siderophore Feroxamine and its Evaluation for Bacteria Detection
Published on: June 16, 2020
09:51TD-DFT Guided Advanced E-Eye Sensing Technique for On-site Quantification of Fe, Cr, F, and As in the Environmental, Biological, and Food Samples
Published on: September 19, 2025
![Protein Film Infrared Electrochemistry Demonstrated for Study of H2 Oxidation by a [NiFe] Hydrogenase](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F55858.jpg&w=3840&q=50)