影子分子动力学与机器学习的灵活电荷潜力
Cheng-Han Li1, Mehmet Cagri Kaymak1, Maksim Kulichenko1
1Theoretical Division, Los Alamos National Laboratory, Los Alamos, New Mexico 87545, United States.
我们使用机器学习开发了一种新的分子动力学方法,以准确模拟分子行为. 这种方法提高了模拟稳定性,并降低了用于预测诸如红外光谱等分子性质的计算成本.
科学领域:
- 计算化学是一种计算化学.
- 材料科学是一种材料科学.
- 分子动力学模拟的模拟.
背景情况:
- 精确的分子动力学 (MD) 模拟需要精确的原子间电位.
- 电荷平衡 (QE) 模型估计原子电荷,但可能是计算密集的.
- 机器学习 (ML) 为开发更高效,更准确的模型提供了强大的工具.
研究的目的:
- 引入一个扩展的拉格朗日影分子动力学 (EL-SMD) 方案.
- 将第二级电荷平衡 (SOCE) 模型与ML衍生的原子间电位的参数集成.
- 为了提高分子动力学模拟的准确性,稳定性和效率.
主要方法:
- 开发了一个EL-SMD方案,使用来自放松原子电荷的波恩-奥本海默电位.
- 利用神经网络对SOCE模型进行参数化,以环境依赖的电子阴性和化学硬度.
- 评估了固定与环境依赖的QE参数对模拟准确性的影响.
- 使用双极自相关函数计算分子红外光谱.
主要成果:
- 在EL-SMD方案中,数值稳定性得到改善,库伦电位计算减少.
- 实现了高效准确的分子动力学模拟,具有优异的长期轨迹稳定性.
- 基于ML的QE参数化显著提高了灵活电荷潜力的准确性.
- 计算的红外光谱与实验数据准确匹配,验证了EL-SMD方法.
结论:
- 拟议的EL-SMD方案具有ML参数化的灵活电荷潜力,为分子模拟提供了强大而准确的方法.
- 通过ML获得的环境依赖的原子参数对于捕捉精确的分子行为至关重要.
- 这种方法为计算化学和材料科学研究提供了重大进展.
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
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
相关概念视频
Molecular Models
Motion Of A Charged Particle In A Magnetic Field
Potential Due to a Polarized Object
Molecular Geometry and Dipole Moments
MO Theory and Covalent Bonding
Thermodynamic Potentials
