机器学习模型用于预测自由能量景观和位置依赖的扩散常数,以扩展动态蒙特卡洛模拟的规模
Tetsuro Nagai1, Nobuaki Kikkawa2, Ryosuke Jinnouchi2
1Department of Chemistry, Faculty of Science, Fukuoka University, 8-19-1 Nanakuma, Jonan-ku, Fukuoka 814-0180, Japan.
本研究引入了一种机器学习 (ML) 模型,用于预测复杂材料中的质量传输. ML增强的动态蒙特卡洛 (MC) 模拟准确地预测了燃料电池膜中的扩散.
科学领域:
- 计算材料科学科学 计算材料科学
- 化学工程是化学工程的重要组成部分.
- 物理化学 物理化学
背景情况:
- 在异质介质中准确预测质量传输特性对于优化燃料电池和电池等设备至关重要.
- 传统的方法,如全原子分子动力学 (MD),对于大规模模拟来说,计算成本昂贵.
- 粗粒度模拟提供了效率,但需要准确的当地财产估计.
研究的目的:
- 开发一个机器学习 (ML) 替代模型来预测自由能量景观和局部扩散常数.
- 将ML模型集成到动态蒙特卡洛 (MC) 模拟中,以有效预测质量传输特性.
- 为验证在异质系统中分子扩散的ML辅助MC方法.
主要方法:
- 使用基于局部元素分布函数的内核函数构建了一个ML模型.
- 使用来自全原子分子动力学 (MD) 模拟的数据训练了ML模型.
- 采用动态蒙特卡罗 (MC) 模拟,使用ML替代品进行粗粒度动态.
主要成果:
- ML辅助的动态MC模拟准确地预测了 perfluorinated ionomer膜中的全球扩散常数.
- 与使用明确属性计算的传统MC模拟相比,实现了3%的低相对误差.
- 证明,即使是小的训练数据集也可以为ML模型带来高准确率 (5%的相对误差).
结论:
- 开发的ML引导粗粒模拟方法有效地预测异质介质中的质量传输特性.
- 这种方法显著降低了计算成本,同时保持了高精度.
- 该方法广泛适用于各种系统,包括燃料电池,电池和生物系统.
更多相关视频
09:17Structure-Based Simulation and Sampling of Transcription Factor Protein Movements along DNA from Atomic-Scale Stepping to Coarse-Grained Diffusion
Published on: March 1, 2022
07:31Author Spotlight: Advancing Cell Membrane Biophysics - Exploring Interactions and Challenges Through Experimental and Computational Approaches
Published on: September 1, 2023
相关概念视频
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Free Energy
Protein Diffusion in the Membrane
Mechanistic Models: Compartment Models in Individual and Population Analysis
Behavior of Gas Molecules: Molecular Diffusion, Mean Free Path, and Effusion
