数据高效的等同变量NNP可以实现DFT精确的模拟,并暗示无溶解的自由能量

科学领域:

• 计算化学是一种计算化学.
• 在药物设计中使用机器学习.
• 分子建模分子建模

背景情况:

• 机器学习 (ML) 潜力,包括神经网络潜力 (NNP),在计算化学和计算机辅助药物设计中越来越重要.
• 无核电站提供基于物理学的结合和溶解估计,旨在弥合经典力场和量子力学方法之间的精度差距.
• 当前的普遍NNP缺乏可靠的分子动力学模拟所需的一致化学准确性,这突显了对准确和数据效率高的潜在能量表面表示的需求.

研究的目的:

• 开发数据效率高的E(3) - 相当变量图形神经网络潜力,以准确地估计溶解自由能量 (SFE).
• 以显著降低计算成本,在SFE预测中实现密度函数理论 (DFT) 级准确性.
• 用相对较小的训练数据集来证明等价架构的数据效率,以构建ML潜力.

主要方法:

• 使用了E(3) - 相当变量图表神经网络潜力用于SFE计算.
• 开发了两个不同的NNP:一个用于气相计算,另一个用于隐性水模型 (基于密度的溶解模型 - SMD).
• 在FreeSolv数据库中的小化合物上训练并测试模型,重点关注水合自由能量变化.

主要成果:

• 开发的NNP实现了SFE预测的化学准确性.
• 与DFT相比,隐式解决NNP模型显示了89%的准确性,与DFT相比,计算速度大幅提升.
• DFT对应器实现了90%的准确性,验证了ML方法的性能.

结论:

• 数据效率高的E(3) -等价图神经网络潜力可以准确地估计DFT层面的SFEs.
• 这些ML潜力显著降低了计算成本,使它们适合大规模分子模拟和药物设计工作流.
• 该研究突出了等价架构在计算化学中有效和准确的ML潜力开发的潜力.