Nuevo modelo de aprendizaje automático para simulación molecular de campo externo

La simulación atómica desempeña un papel crucial en la comprensión de los espectros y la dinámica de sistemas químicos, biológicos y materiales complejos a nivel microscópico. La clave para las simulaciones atómicas es encontrar la representación precisa de superficies de energía potencial (PES) de alta dimensión. En los últimos años, el uso de modelos atomísticos de aprendizaje automático (ML) para representar con precisión los PES se ha convertido en una práctica común. Sin embargo, la mayoría de los modelos ML solo describen sistemas aislados y no pueden capturar las interacciones entre campos externos y los sistemas, que pueden alterar la estructura química y controlar la transición de fase a través de la polarización electrónica o de espín inducida por el campo. Se necesita con urgencia un nuevo modelo de aprendizaje automático que tenga en cuenta los campos externos.

Para resolver este problema, el equipo de investigación del Prof. JIANG propuso un enfoque “todo en uno”. Primero, el equipo trató el campo externo como átomos virtuales y utilizó densidades atómicas integradas (EAD) como descriptores del entorno atómico. La EAD inducida por campo (FI-EAD) se derivó de la combinación lineal de orbitales dependientes de campo y orbitales atómicos basados ​​en coordenadas, que captura la naturaleza de la interacción entre el campo externo y el sistema, lo que llevó al desarrollo del modelo FIREANN. .

Este modelo correlaciona con precisión varias propiedades de respuesta del sistema, como el momento dipolar y la polarizabilidad, con cambios de energía potenciales que dependen de campos externos, proporcionando una herramienta precisa y eficiente para espectroscopia y simulaciones dinámicas de sistemas complejos bajo campos externos.

El equipo verificó la capacidad del modelo FIREANN realizando simulaciones dinámicas de N-metilacetamida y agua líquida bajo un fuerte campo eléctrico externo, demostrando ambas alta precisión y eficiencia. Vale la pena mencionar que para sistemas periódicos, el modelo FIREANN puede superar el problema inherente de múltiples valores de polarización entrenando solo con datos de fuerza atómica.

Esta investigación llenó el vacío de la falta de representación precisa del campo externo en el modelo ML, lo que contribuirá al avance de las simulaciones moleculares en química, biología y ciencia de materiales.