一个通用的机器学习框架,用于开发聚合物接种纳米粒子的化学多体相互作用模型

科学领域:

• 纳米材料科学 科学 纳米材料科学
• 计算化学的计算化学
• 机器学习 机器学习

背景情况:

• 聚合物移植纳米颗粒 (PGN) 是先进纳米材料的关键构件.
• 设计自组装纳米材料需要优化PGN属性,如聚合物长度和接种密度.
• 对PGN相互作用的准确建模对于基于物理知识的反向设计至关重要.

研究的目的:

• 开发一种新的机器学习原子间模型 (ML-IAM) 来预测PGN相互作用.
• 创建一个"炼化"ML-IAM (X-ChIMES),以基于粒子间距离和PGN属性捕捉相互作用.
• 增强自组装纳米材料的反向设计策略.

主要方法:

• 开发了一个扩展的Chimes (X-CHIMES) ML-IAM,基于基于物理知识的Chimes模型.
• 经过训练的X-CHIMES使用不同聚合物长度的PGN的潜在平均力 (PMF) 数据.
• 在HOOMD-blue中利用定向分子动力学和网格采样,以有效生成数据.

主要成果:

• 证明了 ChIMES 在 PGN 的粗粒度 (CG) 建模中的有效性.
• 成功开发并应用了扩展的Chimes (X-CHIMES) 模型.
• 集成的X-CHIMES与数字炼金术逆向设计模拟.

结论:

• 在不同的距离和属性上,X-CHIMES准确地模拟了PGN相互作用.
• 这项工作使得针对性自组装纳米材料的有效反向设计成为可能.
• 这是ChIMES首次用于CG系统与反向设计相结合的应用.