System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及分子动力学模拟和机器学习,具体为一种基于电荷密度的机器学习力场方法。
技术介绍
1、文献1:t。morawietz,n。artrith。(2021)。"machine learning-acceleratedquantum machanics-based atomistic simulations for industrial applications。"j。computer-aided mol。design,vol。35,pp:557-586。
2、文献2:p。friederich,f。hase,j。proppe,a。aspuru-guzik。(2021)。"machine-learned potentials for next-generation matter simulations。"nat。comm,vol。20,pp:750-761。
3、文献3:s。chmiela,h。e。sauceda,k。-r。muller,a。tkatchenko。(2018)。"towardsexact molecular dynamics simulations with machine-learned force fields。"nat。comm,vol。9,pp:3887-3896。
4、文献4:a。meremianin。(2005)。"multipole expansions in four-dimensionalhyperspherical harmonics。"j。phys。59
5、文献5:k。murzyn,m。bratek,m。pasenkiewics-gierula。(2013)。"refined oplsall-atom force field parameters for n-pentadecane,methyl acetate,and dimethylphosphate。"j。phys。chem。b,vol。117,pp:16388-16396。
6、文献6:l。d。schuler,x。daura,w。f。van gunsteren。(2001)。"an improvedgromos96 force field for aliphatic hydrocarbons in the condensed phase。"j。comput。chem,vol。22,pp:1205-1218。
7、文献7:wendy d。cornell,piotr cieplak,christopher i。等人。(1995)。"asecond generation force field for the simulation of proteins,nucleic acids,and organic molecules。"j。am。chem。soc,vol。117,pp:5179-5197。
8、文献8:r。pulay,g。fogarasi。(1981)。"force field,dipole momentderivatives,and vibronic constants of benzene from a combination ofexperimental and ab initio quantum chemical information。"j。chem。phys,vol。74,pp:3999–4014。
9、基于上述文献1-8,可以发现机器学习力场现在已经在许多情况下被使用,以扩展从头算方法模拟更大系统更长时间的能力,机器学习力场的计算成本与经典经验力场相似,保证具有类似从头算计算的准确性,在机器学习力场中,首先使用从头算计算来进行小系统的原型模拟,生成大量的从头算数据。然后使用机器学习数据回归模型对这些数据(能量和原子力)进行拟合,使用局部原子结构的描述符(或称为特征)作为输入,其思想是,在开发的机器学习力场模型使用足够的训练或重新训练时,数据回归模型可以描述与研究中的物理问题相关的原始从头算势能面的区域,这减轻了在随后的分子动力学或蒙特卡洛模拟中重复从头算计算的需要,尽管机器学习力场在过去十年取得了显著进展,但仍然存在重大挑战。
10、首先,许多当前的机器学习力场应用都集中在近平衡问题上,在这些问题中,相关势能面流形中的有效维数较低,一个典型的例子是具有远离其基态结构的热力学振动的大型系统,另一个例子是一个具有几个相位的系统,但所有相位都具有类似的键合环境,另一方面,要研究原子环境发生显著变化的问题要困难得多,例如涉及复杂化学反应的问题,或具有不同键合拓扑和局部环境的相变问题。机器学习力场的另一个众所周知的挑战是长程相互作用,比如静电能量。在广泛采用的机器学学习力场模型中,假设整个系统的总能量是原子能量的简单总和,仅取决于局部原子环境。因此,可以使用局部原子描述符作为回归模型的输入,根据近视原理计算中心原子的能量。然而,这对于具有库仑相互作用等长程相互作用的系统是无效的,这可能是氧化物薄片或纳米结构的情况,其中表面偶极矩可以引起长程电场,这也适用于离子粒子的溶剂,其中非键库仑相互作用很重要。
11、目前解决这一问题的方法是将长程静电能量与短程键合能量分离开来。经常会将点电荷分配给原子或离子,首先计算静电能量,然后从总能量中减去,剩余能量通过机器学习力场模型进行拟合,然而,这种方式依赖于点电荷模型,当分子间距离很远且没有电子电荷重叠时,点电荷模型是有效的。然而,在中等范围距离,静电相互作用最重要,但当不同分子之间存在电荷密度重叠时,这种点电荷模型可能不太准确,因此,亟待一种改进的技术来解决现有技术中所存在的这一问题。
技术实现思路
1、本专利技术的目的在于提供一种采用了原子和键中心的球形电荷密度表示分子的电荷密度,利用显式的分子电荷密度,可以明确地计算库仑相互作用、交换相关相互作用以及动能,在引入了一个极化能项,基于在原子中心计算的局部电场,电场是从电子电荷密度计算出的有效势能,分子间相互作用形式固定,因此,只需要为每个分子单独开发模型和参数,这使得力场的开发变得简单,基于单个分子的dft进行几千个分子动力学步骤就足以开发所需的分子模型,系统中力场精度可根据需要进行调整,计算电荷密度时可以使用精度较低的局域密度近似,也可以使用精度较高的元广义梯度近似的基于电荷密度的机器学习力场方法,以解决上述
技术介绍
中提出的问题。
2、为实现上述目的,本专利技术提供如下技术方案:一种基于电荷密度的机器学习力场方法,包括描述分子结构、分子总能和原子受力关系的传统机器学习力场模型、用于拟合单分子电荷密度的电荷密度模型、用于描述分子间静电相互作用的静电模型以及用于分子间极化相互作用的极化模型,所述
3、使分子电荷密度存在重叠,假定系统的总电荷密度是各个分子电荷密度的总和;
4、拟合密度泛函理论计算得到的电子密度,并将其表示在实空间数值本文档来自技高网...
【技术保护点】
1.一种基于电荷密度的机器学习力场方法,包括描述分子结构、分子总能和原子受力关系的传统机器学习力场模型、用于拟合单分子电荷密度的电荷密度模型、用于描述分子间静电相互作用的静电模型以及用于分子间极化相互作用的极化模型,其特征在于:所述
2.根据权利要求1所述的一种基于电荷密度的机器学习力场方法,其特征在于:所述假定系统的总能量是系统中每个原子能量的总和,用不同的局域原子描述符来描述局部原子结构,以这些特征作为回归模型的输入,拟合原子能量和受力,该模型采用2体局域原子结构和3体局域原子结构描述符特征作为输入,机器学习训练数据来源于从头算数据。
3.根据权利要求2所述的一种基于电荷密度的机器学习力场方法,其特征在于:所述2体局域原子结构对于位于Ri处原子的2体特征可以表示为:
4.根据权利要求2所述的一种基于电荷密度的机器学习力场方法,其特征在于:所述3体局域原子结构的特殊形式可以表示为:
5.根据权利要求1所述的一种基于电荷密度的机器学习力场方法,其特征在于:所述训练数据集可以通过进行不同温度下的密度泛函理论分子动力学模拟,通常会进行室
6.根据权利要求1所述的一种基于电荷密度的机器学习力场方法,其特征在于:所述拟合单分子电荷密度的电荷密度模型使用密度泛函理论计算得到的电子电荷密度,使用以原子为中心的简单球形电荷密度以及以键中心为中心的球形电荷密度,计算分子间相互作用,特别是描述电荷密度重叠效应,使用以下分子电子电荷密度表达式:
7.根据权利要求1所述的一种基于电荷密度的机器学习力场方法,其特征在于:所述分子间静电相互作用的静电模型利用各个分子的电荷密度ρm(r)的总和得到总电荷密度ρtot(r),可以计算分子间相互作用如下:
...【技术特征摘要】
1.一种基于电荷密度的机器学习力场方法,包括描述分子结构、分子总能和原子受力关系的传统机器学习力场模型、用于拟合单分子电荷密度的电荷密度模型、用于描述分子间静电相互作用的静电模型以及用于分子间极化相互作用的极化模型,其特征在于:所述
2.根据权利要求1所述的一种基于电荷密度的机器学习力场方法,其特征在于:所述假定系统的总能量是系统中每个原子能量的总和,用不同的局域原子描述符来描述局部原子结构,以这些特征作为回归模型的输入,拟合原子能量和受力,该模型采用2体局域原子结构和3体局域原子结构描述符特征作为输入,机器学习训练数据来源于从头算数据。
3.根据权利要求2所述的一种基于电荷密度的机器学习力场方法,其特征在于:所述2体局域原子结构对于位于ri处原子的2体特征可以表示为:
4.根据权利要求2所述的一种基于电荷密度的机器学习力场方法,其特征在于:所述3体局域原子结...
【专利技术属性】
技术研发人员:江少钦,
申请(专利权)人:北京龙讯旷腾科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。