Nov, 2016

精准的能量守恒分子力场的机器学习

PDF
TL;DR利用能量守恒定律，我们开发了一种高效的梯度域机器学习方法（GDML），使用极少量的来自从头算分子动力学（AIMD）轨迹的样本构建准确的分子力场。这种方法可以在训练时仅使用 1000 个构象几何结构，以 0.3 kcal/mol 的能量准确度和 1 kcal/mol・Å^-1 的原子力准确度再现中等大小的分子的全局势能面。该方法使得分子动力学模拟可以像高级从头算法方法一样具有准确性和可转移性，同时减少了计算代价。
gradient-domain machine learningmolecular force fieldsab initio molecular dynamicsconservation of energyquantitative molecular dynamics simulations
发现论文，激发创造
  • 利用机器学习力场实现精确分子动力学模拟

    通过将时空物理对称性结合到梯度域机器学习（sGDML）模型中，从高级初步计算中直接构建灵活的分子力场，为实现分子模拟中的光谱精度提供关键缺失成分。

    Feb, 2018

  • 使用机器学习构建准确且数据高效的分子力场：sGDML

    本文介绍了对最近提出的对称梯度域机器学习（sGDML）模型的优化实现，提供了一个用于重建和评估自定义 sGDML 力场（FFs）的 Python 软件包，并展示了如何将 sGDML 与 FF 仿真引擎 ASE 和 i-PI 接口以运行数值实验。

    Dec, 2018

  • 关于梯度在分子能量和力机器学习中的作用

    使用量子机器学习模型研究了有机分子的能量和力学标签，发现训练数据中的包含原子力学标签可以将预测的能量和力学标签精度提高 7 倍。

    Jul, 2020

  • 粗粒化分子动力学力场的机器学习

    本文应用监督式机器学习方法将经典粗粒化 (coarse-graining) 重新解释，提出了一种名为 CGnets 的深度学习方法，能够学习细粒度有溶剂共存 (all-atom explicit-solvent) 的自由能函数，并能够捕获多体项。

    Dec, 2018

  • 准确的机器学习力场通过实验和模拟数据融合

    基于机器学习的势场吸引着越来越多的关注，因为它们能够以量子级准确度跨越经典间原子势场的时空尺度。本研究利用密度泛函理论计算和实验测量的力学性能及晶格参数来训练钛的机器学习势能模型，证明了融合数据学习策略能够同时满足所有目标要求，从而获得比单一数据来源训练的模型更高准确性的分子模型。该方法适用于任何材料，可作为获取高度精确机器学习势能的通用策略。

    Aug, 2023

  • 对称不变的量子机器学习力场

    运用机器学习技术设计了量子神经网络，该网络明确地结合了大量具有物理相关性的对称性，以预测原子势能和原子力的潜在能量表面。研究结果表明，凭借几何量子机器学习框架，分子力场的生成可以从中获益，并且化学系统对于发展和应用先进量子机器学习工具具有丰富的应用潜力。

    Nov, 2023

  • 利用机器学习相互作用势进行自由能计算的考虑因素

    利用等变图神经网络的机器学习势能可以准确地模拟分子的能量和自由能态势，研究着重于探讨机器学习势能在考虑了分子构型的能量和多样性的情况下，准确预测自由能和转变态的能力。在对丁烷和丙二酸酰甘氨酰二肽进行 Metadynamics 模拟的基础上，我们检查了训练数据中集体变量（CVs）的分布对机器学习势能在确定系统的自由能态势上的准确性的影响。结果发现，对于丁烷，关键自由能态势区域的训练数据覆盖确保了模型的准确性，而对于丙二酸酰甘氨酰二肽，由经典分子动力学数据训练的模型明显不够准确，而基于从头算的机器学习势能在潜能能量预测上表现良好，但在自由能预测上表现不佳。本研究强调了对于准确自由能态势预测而言，组装全面的训练数据的挑战，并强调了理解自由能态势在准备训练数据时的重要性。研究指出了机器学习势能在自由能计算中的限制，强调了为有效模型训练需要涵盖系统的完整自由能态势的全面数据的必要性。

    Mar, 2024

  • 逐步优化学习用于构象能量最小化

    传统的能量最小化技术依赖于使用物理模拟器 (oracle) 计算的分子力作为反梯度的迭代优化方法，但这种计算密集的方法需要与物理模拟器进行多次交互。本文提出了 Gradual Optimization Learning Framework (GOLF)，通过使用神经网络生成优化轨迹并选择额外的训练数据，显著降低了所需的额外数据量，实现了与基准药物类分子相媲美的性能。

    Nov, 2023

  • 分子构象生成的梯度场学习

    本文研究计算化学中的分子构象生成问题，提出一种基于力场方法和评分生成模型的新方法 ConfGF，通过直接估计原子坐标的梯度场直接生成稳定构象，实验结果表明 ConfGF 明显优于现有的最新基线。

    May, 2021

  • 分子电子结构的多任务学习方法接近耦合群精确度

    发展了一种统一的机器学习方法，用于有机分子的电子结构，使用 CCSD (T) 计算作为训练数据，模型在计算成本和各种量子化学性质的预测准确度上优于常用的 B3LYP 泛函。将模型应用于芳香化合物和半导体聚合物上，对基态和激发态性质进行了验证，展示了其对于复杂系统的准确性和概括能力。

    May, 2024