基于复杂化学系统的图形神经网络的多尺度力场模型
Zhaoxin Xie1,2, Yanheng Li1,2, Yijie Xia1
1Institute of Theoretical and Computational Chemistry, College of Chemistry and Molecular Engineering, Peking University, Beijing 100871, China.
Journal of chemical theory and computation
|February 27, 2025
概括
本研究介绍了一种机器学习/分子力学 (ML/MM) 方法,用于高效的多尺度模拟. 该方法准确地模拟静电相互作用,提高复杂化学系统的计算效率.
科学领域:
- 计算化学计算化学
- 多尺度建模多尺度建模
- 机器学习在科学中的应用
背景情况:
- 质量管理/质量管理方法在模拟中提供了准确性和效率之间的平衡.
- 使用机器学习 (ML) 潜在能量表面加速量子力学 (QM) 计算是一个关键的进步.
- 设计ML和分子力学 (MM) 区域之间的有效相互作用仍然是一个挑战.
研究的目的:
- 为多尺度模拟开发一种新的ML/MM方法.
- 为了准确地建模ML和MM区域之间的静电相互作用.
- 为了提高QM/MM方法的计算效率.
主要方法:
- 利用基于静止扰动理论的图形神经网络用于静电相互作用.
- 处理了原子坐标和MM电荷来计算静电能量和力.
- 开发了一个无溶剂的协议,用于数据集的准备.
主要成果:
- 实现了高性能静电嵌入ML/MM架构.
- 在水溶液中验证了ML/MM能量计算的准确性.
- 在各种溶剂环境中证明了参数的可转移性,包括离子液体和接口.
- 观察了水溶液对AVE的克莱森重排的催化作用.
结论:
- 开发的ML/MM方法有效地模拟了静电相互作用,提高了计算效率.
- 该方法在各种化学环境中显示出有希望的可转移性.
- 这项工作为化学和材料科学中先进的多尺度模拟提供了强大的框架.
更多相关视频
07:31Author Spotlight: Advancing Cell Membrane Biophysics - Exploring Interactions and Challenges Through Experimental and Computational Approaches
Published on: September 1, 2023
2.1K
08:03Advanced Self-Healing Asphalt Reinforced by Graphene Structures: An Atomistic Insight
Published on: May 31, 2022
4.4K
