机器学习方法开发潜在的表面:应用到OH-(H2O) (n = 1-3) 复杂的
Greta M Jacobson1, Lixue Cheng2,3, Vignesh C Bhethanabotla2
1Department of Chemistry, University of Washington, Seattle, Washington 98195, United States.
这项研究引入了一种机器学习方法,用于为分子系统创建精确的潜在能量表面. 该方法将分子轨道学习与神经网络相结合,使得水氧化物和等离子与水分子的模拟更加有效和可靠.
科学领域:
- 计算化学计算化学
- 量子力学就是量子力学.
- 机器学习在化学中的应用
背景情况:
- 准确的潜在能量表面对于理解分子行为至关重要.
- 计算这些表面的传统方法在计算上昂贵.
- 机器学习为加快这些计算提供了一个有希望的途径.
研究的目的:
- 开发一种新的,两步的机器学习方法,用于高层次的*ab initio*潜在的表面生成.
- 扩展基于分子轨道的机器学习 (MOB-ML) 模型,以在完整的基础设置上学习相关性能量.
- 为像氧化物和离子与水分子相互作用的系统创建精确的神经网络潜力.
主要方法:
- 在MOB-ML模型中利用高斯过程回归来学习相关性能量.
- 采用较小的基础集轨道 (aug-cc-pVDZ) 作为预测完整基础集极限能量的特征.
- 集成的MOB-ML具有神经网络潜力,使用扩散蒙特卡洛 (DMC) 采样几何和能量进行训练.
- 开发协议以优化在培训过程中使用DMC生成的结构.
主要成果:
- 成功开发并应用了MOB-ML与神经网络相结合,以产生OH-H2O和H3O+H2O的潜在表面.
- 使用新潜力的DMC计算显示,这些软盘分子系统与以前的结果有很好的一致性.
- 为更大的系统产生了新的潜在表面:OH−(H2O) 2 ,OH−(H2O) 3 ,H3O+(H2O) 2和H3O+(H2O) 3.
- 在氧化物和离子与相同数量的水分子结合之间发现了类似的质子脱水平.
结论:
- 结合的MOB-ML和神经网络方法为高精度潜在表面提供了一条高效的路线.
- 开发的潜能使得水合质子和氧化物系统的可靠模拟成为可能.
- 这项研究强调了氧化物和系统的质子移位的相似之处,与实验光谱观测相一致.
更多相关视频
10:13Micropatterned Surfaces to Study Hyaluronic Acid Interactions with Cancer Cells
Published on: December 22, 2010
11:47Characterization of Surface Modifications by White Light Interferometry: Applications in Ion Sputtering, Laser Ablation, and Tribology Experiments
Published on: February 27, 2013
相关概念视频
Radical Reactivity: Overview
Radical Reactivity: Electrophilic Radicals
Radical Reactivity: Nucleophilic Radicals
Radicals: Electronic Structure and Geometry
Accordingly, the structure of a trivalent radical lies between the geometries of carbocations and carbanions. An sp2-hybridized carbocation is trigonal planar, while an sp3-hybridized carbanion is trigonal pyramidal. Here, the difference in geometry is...
Radical Formation: Overview
Radicals from spin-paired molecules:
Radicals can be obtained from spin-paired molecules either by homolysis or electron transfer. While two radicals are formed in the former, an electron is added in the...
Radical Formation: Elimination
