反应式主动学习:用于训练机器学习的有效方法 反应系统的原子间潜力
Siddarth K Achar1, Priyanka B Shukla2, Chinmay V Mhatre2
1Computational Modeling & Simulation Program, University of Pittsburgh, Pittsburgh, Pennsylvania 15260, United States.
一个新的反应式主动学习 (RAL) 框架有效地训练复杂化学反应的机器学习原子间潜力 (MLIP). 这种方法可以准确预测反应路径并发现新型催化剂,克服传统方法的局限性.
科学领域:
- 计算化学
- 材料科学
- 化学工程
背景情况:
- 量子力学对化学反应的计算成本很高,规模也很差.
- 机器学习的原子间潜能 (MLIP) 提供了一个更快的替代方案,但由于采样挑战,它与反应系统存在困难.
- 现有的MLIP训练方法没有优化到探索不同的反应途径和过渡状态.
研究的目的:
- 开发一个反应式主动学习 (RAL) 框架,以有效地培训化学反应系统的MLIP.
- 在没有事先了解反应路径或产品的情况下,在MLIP中实现近量子力学准确性.
- 为发现新催化剂和理解反应机制进行大规模模拟.
主要方法:
- 结合自动反应探索,不确定性驱动的积极学习和过渡状态采样.
- 为未知过渡状态和产品的系统开发了一个MLIP培训框架.
- 将 RAL 框架应用于气相氨基合成,溶液相甲胺水解和 TiC 表面的异质甲激活.
主要成果:
- 经过RAL训练的MLIP准确地预测了各种化学系统中的反应障碍和过渡状态.
- 通过C空隙机制确定Ti2C为高度活跃的甲激活表面 (在1000K时90%的分解).
- 在纳秒时间尺度上实现大型系统 (~900个原子) 的模拟,揭示了表面中毒和反应网络的洞察力.
结论:
- 反应式勘探对于准确捕获MLIP中的潜在能量表面至关重要.
- 协同化学和配置采样提高了模型的准确性.
- RAL框架提供了一个强大的催化剂和反应机制的计算发现方法,并建立了训练反应潜力的指导方针.
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
08:54Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid
Published on: January 25, 2020
相关概念视频
Predicting Reaction Outcomes
Reaction Quotient
Coupled Reactions
Energy in adenosine triphosphate or ATP molecules is easily accessible to do work. ATP powers the majority of energy-requiring cellular reactions....
Radical Reactivity: Intramolecular vs Intermolecular
Radical Reactivity: Overview
Hybridization of Atomic Orbitals II
