面向大分子的线性扩展和化学准确的全局机器学习力场
摘要：机器学习力场（MLFFs）逐渐发展为能够以Ab initio精度进行分子和材料的分子动力学模拟，但计算成本仅为一小部分。然而，要实现对真实分子的预测性MLFF模拟，仍需解决几个挑战，包括：（1）开发用于非局部原子间相互作用的高效描述符，这对于捕捉长程分子波动至关重要，以及（2）减少核方法中描述符的维度（或神经网络中的参数数量），以增强MLFF的适用性和可解释性。在这里，我们提出了一种自动化方法，可以大大减少原子间描述符特征的数量，同时保持MLFF的准确性并增加效率。为了同时解决这两个挑战，我们以全球GDML MLFF为例说明了我们的方法；然而，我们的方法也同样适用于其他模型。我们发现，在肽链、DNA碱基对、脂肪酸和超分子复合物等研究系统中，非局部特征（原子间距高达15$~\mathring{A}$）对于保持MLFF的整体准确性至关重要。有趣的是，在减少的描述符中所需的非局部特征数量与局部原子间特征的数量（距离在5$~\mathring{A}$以下）相当。这些结果为构建全局分子MLFF铺平了道路，其成本随系统规模的增加是线性的，而不是二次的。
作者：Adil Kabylda, Valentin Vassilev-Galindo, Stefan Chmiela, Igor Poltavsky, Alexandre Tkatchenko
论文ID：2209.03985
分类：Chemical Physics
分类简称：physics.chem-ph
提交时间：2023-04-13