在金属有机框架中模拟扩散使用即时概率增强采样机器学习潜力
Sudheesh Kumar Ethirajan1, Ambarish R Kulkarni1
1Department of Chemical Engineering, University of California, Davis, California 95616, United States.
这项研究引入了一种新的主动学习方法,用于训练机器学习潜力,用于研究纳米孔状材料中的罕见事件. 增强的采样方法捕获了以前无法通过标准模拟获得的复杂扩散机制.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 化学工程是化学工程的重要组成部分.
背景情况:
- 机器学习潜力 (MLP) 能够准确模拟纳米孔质材料,但由于近平衡状态的训练数据有限,难以处理罕见事件.
- 研究高能,脱离平衡的配置对于理解罕见事件至关重要,但传统方法的计算成本昂贵.
研究的目的:
- 开发和演示一种新型的积极学习策略,用于培训能够模拟纳米材料中罕见事件的MLP.
- 克服数据稀缺问题,为复杂的物理化学现象培训MLP.
主要方法:
- 实施了一个积极的学习课程,利用机动概率增强采样 (OPES) 方法.
- 应用了依赖时间的OPES偏差与集体变量,以系统地探索SALEM-2金属有机框架 (MOF) 中的伊米达扩散的潜在能量表面.
- 执行了近密度函数理论 (DFT) 精度的分子动力学 (MD) 模拟.
主要成果:
- 在MOF中成功捕获了通过6个成员和以前未报告的4个成员窗口的伊米达扩散.
- 观察到一种新的环开放机制,涉及暂时的 Zn-N 键解离,这超出了经典力场和 DFT 的范围.
- 实现了高精度的纳秒级MD模拟.
结论:
- 像OPES这样的增强采样方法在克服数据稀缺方面是有效的,用于培训MLP研究纳米孔材料中的罕见事件.
- 开发的方法可以准确模拟复杂的,脱离平衡的过程,这些过程对于材料发现和设计至关重要.
更多相关视频
06:45Author Spotlight: Characterizing Porous Materials for Aiding the Development of Robust Metal-Organic Frameworks with Adsorption Behavior
Published on: March 8, 2024
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
Molecular Models
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
