.png){kind=icon}
返回
Active learning meets metadynamics: Automated workflow for reactive machine learning interatomic potentials
.png){kind=icon}
OA
AI
DOI：10.1039/D5DD00261C.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由机器学习原子间势（MLIPs）驱动的原子级模拟是相对于从头算分子动力学（AIMD）的一种经济有效的替代方案。然而，其在大规模反应建模中的广泛应用仍受到限制，部分原因是需要大量训练数据集来充分采样相关的势能面，包括高能过渡态（TS）区域。为优化数据集生成并扩展MLIPs在反应建模中的应用，我们提出了一种结合自动化主动学习与适温元动力学的工作流程，该流程无需预先了解TS信息。利用数据高效的架构（如线性原子团簇展开），我们展示了该策略在不同有机反应中的性能，这些反应的环境被描述在不同水平上，包括氟与氯甲烷在隐式水中的SN2反应、2,2-二甲基异吲哚在气相中的甲基迁移，以及存在竞争路径的显式二氯甲烷溶液中的糖基化反应。所提出的训练策略为所有三个案例生成了准确且稳定的MLIPs，突显了其建模反应过程的通用性。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
