.png){kind=icon}
返回
Short-Range Machine-Learning Potentials for Aqueous Electrolyte Solutions
.png){kind=icon}
PRE
AI
DOI：10.1002/cphc.70385.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习势函数（MLPs）扩展了原子模拟的时间和长度尺度，能够研究复杂系统，如电解质溶液。然而，大多数模型在准确性、计算成本和捕获长程相互作用的能力之间面临权衡。大型基础模型承诺通用性，但通常伴随着巨大的开销和能源需求。相比之下，紧凑的、系统特定的模型可能为大规模模拟提供更可持续的途径。在这里，我们以水合氯化钠（NaCl）溶液为基准，对MACE架构进行评估，系统地改变模型大小和等变性水平，以评估它们对准确性、稳定性和效率的影响。我们发现，所研究的MLPs的预测准确性对这里考虑的关键物理可观测量影响很小，但对稳定性至关重要，突显了最小化、专用模型在高效模拟电解质溶液方面的潜力。
Keyword:
alkali halides
electrolytes
long-range interactions
machine-learning potentials
molecular dynamics
