神经网络生成器的分子动力学潜力:构建强大的和精确的潜力与激活学习纳米秒级的模拟

科学领域:

• 计算材料科学 计算材料科学
• 化学物理 化学物理
• 机器学习在化学中的应用

背景情况:

• 神经网络潜力 (NNP) 对大规模分子动力学 (MD) 模拟至关重要,其准确性与初始方法相美.
• 然而,由于未被绘制的潜在能量表面 (PES),长时间保持模拟稳定仍然是一个挑战.
• 现有的方法缺乏有效的解决方案,以确保在扩展的MD模拟中NNP稳定性.

研究的目的:

• 开发一个自动化框架来生成强大而准确的NNP.
• 为了提高有机材料长期MD模拟的稳定性和可靠性.
• 为了使复杂的系统超过10,000个原子的模拟能够在延长的时间范围内进行.

主要方法:

• 为了自动生成NNP,开发了一个主动学习 (AL) 框架.
• 该框架整合了数据集创建,NPP培训,评估和结构采样/选.
• 一种新的采样策略侧重于具有短原子间距离的不稳定结构,结合基于原子间距离和结构特征的高效选.

主要成果:

• 开发的NNP发生器能够在20纳秒 (ns) 的时间内对超过10,000个原子的系统进行稳定的MD模拟.
• 应用于液体甘醇 (PG) 和聚乙烯甘醇 (PEG),生成的NNP显示出高的模拟稳定性.
• 预测的物理性质,包括密度和自我扩散系数,与实验数据有很好的一致性.

结论:

• 这项工作在为有机材料创建强大而准确的NNP方面取得了重大进展.
• 基于主动学习的方法克服了长期MD模拟NNP稳定性的局限性.
• 该方法为复杂分子系统的可靠,大规模的MD模拟铺平了道路.