路线图到CCSD ((T) 质量机器学习潜力凝聚相模拟的路线图
Eric D Boittier1, Silvan Käser1, Markus Meuwly1
1Department of Chemistry, University of Basel, Klingelbergstrasse 80, CH-4056 Basel, Switzerland.
Journal of chemical theory and computation
|September 12, 2025
概括
一个新的机器学习驱动的工作流程为分子动力学 (MD) 模拟创建了高效的能量功能. 这种方法准确地模拟了水的冷凝相特性,有望在计算化学方面取得进展.
科学领域:
- 计算化学的计算化学
- 材料科学 材料科学 材料科学
- 化学物理 化学物理
背景情况:
- 精确的能量函数对于凝聚相系统中的分子动力学 (MD) 模拟至关重要.
- 现有的方法通常在计算效率或准确性方面面临限制.
- 开发高效准确的模型对于推进分子模拟是必不可少的.
研究的目的:
- 介绍一个通用的工作流程,用于创建计算高效的能源功能.
- 结合机器学习 (ML) 和实证模型,用于分子内部和分子间相互作用.
- 应用和验证这个工作流程,用于冷凝相水模拟.
主要方法:
- 总能量的分解为内部,静电和范德瓦尔斯贡献.
- 利用神经网络用于单体潜在能量表面和灵活的最小分布电荷模型用于静电学.
- 使用列纳德-斯 (LJ) 术语和引用电子结构计算 (CCSD) 适应剩余的能源贡献 (T) -F12,DFT).
主要成果:
- 工作流程成功地应用于水,使用散装液体密度和蒸发热量优化LJ(12-6) 参数.
- 在多纳秒时间尺度上的MD模拟准确地重现了水的各种凝结相性质.
- 与实验数据相比,ML启发的参数化方案显示出有前途的性能.
结论:
- 提出的通用工作流提供了一个有前途的方法,用于开发MD模拟的准确和高效的能源功能.
- 这种基于ML的方法显示了在不同的冷凝相系统中广泛应用的潜力.
- 未来的工作可以专注于进一步改进和扩展,利用水模型的最新进展.
更多相关视频
12:11Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry
Published on: April 8, 2020
8.7K
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
13.3K
