Feb, 2018

利用机器学习力场实现精确分子动力学模拟

PDF
TL;DR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。
molecular dynamicsforce fieldsquantum effectsmachine learningspectroscopic accuracy
发现论文，激发创造
  • 精准的能量守恒分子力场的机器学习

    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。

    Nov, 2016

  • 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

  • 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

  • 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

  • OpenMM 8：使用机器学习势的分子动力学模拟

    机器学习在分子模拟中扮演重要且日益增长的角色，OpenMM 分子动力学工具包的最新版本引入了新特性，支持使用机器学习模型进行模拟优化。

    Oct, 2023

  • TorchMD：分子模拟深度学习框架

    TorchMD 是使用混合经典和机器学习势的分子模拟框架，可以提高数据驱动模型的质量和可转移性，它支持模拟神经网络潜力，可以有效训练和模拟蛋白质折叠，代码和数据可以在 https://github.com/torchmd 免费获取。

    Dec, 2020

  • 朝着符合实验观测的经验力场

    本文综述了基于分子动力学模拟和溶液实验数据的生物分子力场方法，讨论了该方法的机器学习相关问题和挑战。

    Apr, 2020

  • 使用分子配置转换器生成用于研究化学反应机理的高精度分子动力学模拟力场

    我们提出了基于增强采样的 QM/MM 分子动力学模拟的研究范式，并通过我们开发的基于图神经网络的分子模型 —— 分子构型变换器，进行了高精度力场的训练。这种方法可以以较低的计算成本进行高精度模拟，从而更准确地计算化学反应机制，预计将成为有机化学反应机制理论研究的新趋势。

    Dec, 2023

  • 基于自上而下的机器学习法推导蛋白质粗粒度力场

    使用分子动力学仿真和可微重要性抽样训练神经网络势能，可以开发出准确和高效的蛋白质粗粒化表示方法，在预测蛋白质动力学、折叠和相互作用等方面具有重要应用价值。

    Jun, 2023