Oct, 2023

机器学习原子模拟模型中的参考点角色

PDF
TL;DR该论文介绍了化学环境建模理论（CEMT），一种新颖的广义框架，旨在克服传统基于原子的机器学习力场（MLFF）模型的局限性，广泛应用于化学系统的原子模拟。CEMT 通过允许参考点在模拟域中的任何位置存在，从而展示了增强的灵活性和适应性，从而实现了对不同模型结构的研究。通过利用高斯多极（GMP）特征化函数，在不同的参考点集合上测试了多个模型，包括有限差分格点和键位模型，分析了建立在不同参考点上的模型固有能力的变化。结果突显了非原子中心参考点在力训练中的潜力，揭示了预测精度、推断速度和学习效率的变化。最后，建立了 CEMT 与实空间无轨道有限元密度泛函理论（FE-DFT）之间的独特联系，其影响包括提高数据效率和稳健性。它允许利用 FE-DFT 计算的空间分辨能量密度和电荷密度，并成为将已知的量子力学定律整合到 ML 模型架构中的关键步骤。
chemical environment modeling theorymachine learning force fieldgaussian multipole featurization functionsreference pointsreal-space orbital-free finite element density functional theory
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

  • 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

  • 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

  • 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

  • EL-MLFFs: 集成学习的机器学习力场

    通过构建分子结构的图表示并利用图神经网络（GNN）作为元模型，EL-MLFFs 有效地捕捉了原子间相互作用并优化了力预测，实验证明 EL-MLFFs 相对于独立的 MLFFs 显著提高了力预测准确性，最佳性能由所有八个模型组合得出。此外，剩余网络和图注意力层在模型的架构中起到了关键作用，EL-MLFFs 框架为 MLFF 的模型选择和力预测准确性的挑战提供了一个有前景的解决方案，为更可靠高效的分子模拟铺平了道路。

    Mar, 2024

  • 机器学习力场

    本文总结了机器学习在计算化学中的应用，包括基于机器学习的力场构建、相关的统计关系和挑战，并提供了从零开始构建和测试它们的逐步指南。

    Oct, 2020

  • 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

  • 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

  • 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

  • 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