Oct, 2023

极端力学力场中的规划和探索方法

PDF
TL;DR通过第一性原理计算生成的数据，我们开发了一个神经网络力场 NN-F3 来研究断裂，通过预先对应变态空间进行采样和积极学习技术来探索临界键合距离处的过渡态。模拟结果验证了最近的实验发现，并强调在预测极端机械过程中包括从第一性原理计算中获取的电子结构知识的必要性。
fracturemechanical processesnucleation and growthforce fieldfirst-principles calculations
发现论文，激发创造
  • 简化弹塑性和断裂的神经应力场

    我们提出了一种用于弹塑性和断裂的减维模型的混合神经网络和物理框架，并演示了其在不同材料行为模拟中的强大计算效率。

    Oct, 2023

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 多晶微结构神经网络加速的过程设计

    探索计算实验在优化材料结构以获得期望性能方面的应用，并利用多尺度方法研究处理 - 微观结构 - 材料性能的相互作用，开发基于神经网络的方法来减轻预测微观结构演变的计算负担，同时实现更快速且更优的材料优化。

    Apr, 2023

  • Grappa - 一种机器学习的分子力学力场

    提出了一种新的机器学习架构 Grappa，通过分子图的图注意力神经网络和具有保持对称的位置编码的 Transformer，可以从分子图预测分子力场参数，该方法在相同的计算效率下优于现有的机器学习的分子力场，并可在现有的分子动力学引擎中使用，能够预测小分子、多肽、RNA 等的能量和力，并在蛋白质的模拟中展示了其可转移性。

    Mar, 2024