使用自动化集群构建算法和神经网络潜力探索非共价分子的化学空间

科学领域:

• 计算化学计算化学
• 材料科学 材料科学 材料科学
• 化学物理 化学物理

背景情况:

• 确定分子的全球最小值是计算化学中的一个重大挑战,因为随着大小的局部最小值的指数增长.
• 准确的ab initio方法在计算上昂贵,因此需要更高效,更可靠的勘探技术.
• 神经网络潜力提供了一个有前途的替代方案,为分子集群问题提供准确可靠的结果.

研究的目的:

• 开发和展示一种有效的方法来探索分子的潜在能量表面 (PES).
• 为了利用预训练的神经网络潜力,快速准确地确定分子集群中的全球最小值.
• 推进计算分子集群生成的自动化,以加速发现.

主要方法:

• 将AIMNET2预训练的神经网络潜力模型集成到基于TABU的PyAR接口中.
• 集成系统的应用用于分子的 PES 探索,包括水,氨,过氧化,甲醇和酸.
• 在集群上测试方法,集群的聚合号从1到10.

主要成果:

• 证明了 AIMNET2 集成 PyAR 接口的有效性,用于探索分子 PES.
• 成功地将该方法应用于各种标准分子,展示了其多功能性.
• 这种方法被证明是有效的,用于识别低能异构体,而不需要对目标集群类型进行明确的培训.

结论:

• 将AIMNET2与PyAR接口集成,为分子团全球最小值识别提供了高效可靠的解决方案.
• 这种方法代表了向完全自动计算分子集群生成的重大进步.
• 这些发现为加速在分子团领域的探索和发现铺平了道路.