返回
Machine-learned potentials for solvation modeling
DOI:10.1088/1361-648X/ae2177.png)
摘要
En 中文
溶剂环境在决定分子结构、能量学、反应性和界面现象方面发挥着核心作用。然而,由于相互作用复杂且第一性原理方法随体系尺寸呈现不利的计算规模,从第一性原理对溶剂化进行建模仍然困难。机器学习势(MLPs)最近已作为量子化学方法的有效替代方案出现,能够在大幅降低计算成本的同时提供第一性原理精度。MLPs近似潜在势能面,使溶质体系的能量和力的高效计算成为可能。它们还能够考虑氢键、长程极化和构象变化等效应。本文综述了MLPs在溶剂化建模中的发展和应用。我们总结了基于MLPs的能量和力预测的理论基础,并基于训练目标、模型类型以及与架构、描述符和训练协议相关的设计选择,对MLPs进行了分类。讨论了其与现有溶剂化工作流程的集成,并通过涵盖小分子、界面和反应体系的研究案例。最后,我们概述了面向可转移、稳健且具有物理基础的溶剂化感知原子级建模的MLPs所面临的开放性挑战和未来方向。
Keyword:
machine-learned potentials (MLPs)
machine-learned atomistic potentials (MLAPs)
machine-learned force fields (MLFFs)
machine-learned interatomic potentials (MLIPs)
solvation modeling
hybrid solvation
microsolvation
期刊
IF:
2.6
论文数:
579
被引数:
5.1W
机构
引用论文
Molecular Dynamics with On-the-Fly Machine Learning of Quantum-Mechanical Forces具有量子力学力的即时机器学习的分子动力学
Crash testing machine learning force fields for molecules, materials, and interfaces: model analysis in the TEA Challenge 2023碰撞测试机器学习力场在分子、材料和界面中的应用:TEA Challenge 2023中的模型分析
CHEMICAL SCIENCE
IF7.4
Universal Solvation Model Based on Solute Electron Density and on a Continuum Model of the Solvent Defined by the Bulk Dielectric Constant and Atomic Surface Tensions基于溶质电子密度和由体介电常数和原子表面张力定义的溶剂连续模型的通用溶剂化模型
Insights into aqueous solvation of atmospheric gases from molecular simulations with machine learning-based many-body potentials从基于机器学习的多体势分子模拟中了解大气气体的水合溶解行为
Integrating multiscale and machine learning approaches towards the SAMPL9 log
P
challenge将量子机器学习势能拟合到实验自由能数据:预测溶液中的互变异构体比例
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
NATURE COMMUNICATIONS
IF15.7
SpookyNet: Learning force fields with electronic degrees of freedom and nonlocal effectsSpookyNet: 学习具有电子自由度和非局部效应的力场
NATURE COMMUNICATIONS
IF15.7

