积极学习辅助的通用框架,用于有效的力场参数化.
Yati1, Yash Kokane2, Anirban Mondal1
1Department of Chemistry, Indian Institute of Technology Gandhinagar, Gandhinagar, Gujarat 382355, India.
Journal of chemical theory and computation
|February 25, 2025
概括
本研究介绍了一种高效的机器学习方法,使用遗传算法 (GA) 和高斯过程回归 (GPR) 来优化硫分子的力场参数. 新方法显著提高了对储能应用的模拟精度和效率.
科学领域:
- 计算化学的计算化学
- 材料科学 材料科学 材料科学
- 机器学习 机器学习
背景情况:
- 硫分子对于储能电解质至关重要.
- 精确的分子建模是必不可少的,但传统方法是无效的.
- 现有的力场参数化在计算上昂贵且劳动密集.
研究的目的:
- 开发一种高效,准确的方法来优化硫分子的力场参数.
- 为了提高分子模拟对硫基电解质的预测能力.
- 为了降低电力场开发中的计算成本和手工精力.
主要方法:
- 将遗传算法 (GA) 和高斯过程回归 (GPR) 集成到一个主动学习框架中.
- 使用有限的数据集 (300点) 在12次代中优化力场参数.
- 对实验数据 (密度,粘度,扩散,表面张力) 的验证和与最先进的技术进行比较.
主要成果:
- 与传统方法相比,实现了优化的力场参数,与传统方法相比,代和数据点明显减少.
- 在GA-GPR预测和实验值之间表现出很好的一致性,性能优于OPLS力场.
- 成功捕获了批量和接口特性,包括分子移动性和牢效应.
结论:
- GA-GPR方法为硫分子提供了强大的,可转移的和高效的力场.
- 这种方法显著提高了用于储能应用的分子模拟的准确性和效率.
- 在复杂的分子系统中为未来的机器学习驱动的力场开发奠定了基础.
更多相关视频
05:57Author Spotlight: In Silico Creation and Impact of Carbonylated Amino Acids on Protein Structure and Function
Published on: April 26, 2024
309
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
12.7K
