.png){kind=icon}
返回
Improving Aqueous Metal Salt Interactions Using Machine-Learned Interatomic Potentials
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jpcb.5c04022.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对水合金属盐溶液的精确建模对于理解与环境安全、能源存储和分离技术相关的过程至关重要。低浓度的痕量金属（如As3+）会带来显著的健康和环境风险。由于经典力场（CFFs）缺乏准确性，以及从头算方法仅限于短轨迹的限制，因此模拟这些金属具有挑战性。在本研究中，我们开发了机器学习原子间势能（MLIPs）来模拟水合AsCl3和MgCl2，使用了基于从头算分子动力学（AIMD）和密度泛函理论数据训练的NequIP/Allegro不变量图神经网络架构。我们的MLIP模型能够准确再现从头算的能量和力，同时比CFFs（AMBER和UFF模型）更有效地捕捉溶剂化结构、离子扩散和水合动力学。我们的MLIPs实现了能量MAEs < 1 meV/atom和力RMSEs < 40 meV/& Aring;，同时相比AIMD实现了O(10^4)的加速。这些MLIPs为模拟痕量金属的形态和传输提供了可靠且高效的选择，对改进分离和环境过程具有意义。
Keyword:
MOLECULAR-DYNAMICS
DIFFUSION-COEFFICIENTS
FORCE-FIELD
ELECTROLYTE-SOLUTIONS
WATER
COORDINATION
DIFFRACTION
RELAXATION
ARSENITE
INSIGHTS
期刊
IF:
2.9
论文数:
1.6K
被引数:
9.0W
机构
引用论文
E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容