Prof. Jiang Bins forskerhold ved University of Science and Technology of China (USTC) har udviklet en universel felt-induceret rekursivt indlejret atom neural netværk (FIREANN) model, som nøjagtigt kan simulere system-felt interaktioner med høj effektivitet. Deres forskning blev offentliggjort i Nature Communications den 12. oktober.
Atomsimulering spiller en afgørende rolle i forståelsen af spektrene og dynamikken i komplekse kemiske, biologiske og materielle systemer på mikroskopisk niveau. Nøglen til atomsimuleringer er at finde den nøjagtige repræsentation af højdimensionelle potentielle energioverflader (PES'er).
I de senere år er det blevet en almindelig praksis at bruge atomistisk maskinlæring (ML)-modeller til nøjagtigt at repræsentere PES'er. De fleste ML-modeller beskriver dog kun isolerede systemer og kan ikke fange interaktionerne mellem eksterne felter og systemerne, hvilket kan ændre den kemiske struktur og kontrollere faseovergangen via feltinduceret elektronisk eller spinpolarisering. Der er et presserende behov for en ny ML-model, der tager eksterne områder i betragtning.
For at løse dette problem foreslog Prof. Jiangs forskerhold en "alt-i-én"-tilgang. Holdet behandlede først det ydre felt som virtuelle atomer og brugte indlejrede atomtætheder (EAD'er) som deskriptorer til atommiljø. Den feltinducerede EAD (FI-EAD) blev afledt af den lineære kombination af de feltafhængige orbitaler og koordinatbaserede orbitaler af atomer, som fanger arten af interaktionen mellem det ydre felt og systemet, hvilket fører til udviklingen af FIREAN-model.
Denne model korrelerer nøjagtigt forskellige responsegenskaber af systemet, såsom dipolmoment og polariserbarhed, med de potentielle energiændringer, der afhænger af eksterne felter, hvilket giver et nøjagtigt og effektivt værktøj til spektroskopi og dynamiksimuleringer af komplekse systemer under eksterne felter.
Holdet verificerede kapaciteten af FIREANN-modellen ved at udføre dynamiske simuleringer af N-methylacetamid og flydende vand under et stærkt eksternt elektrisk felt, der begge viser høj nøjagtighed og effektivitet. Det er værd at nævne, at for periodiske systemer kan FIREANN-modellen overvinde det iboende problem med flere værdier af polarisering ved kun at træne med atomkraftdata.
Denne forskning udfyldte hullet med manglende nøjagtig ekstern feltrepræsentation i en ML-model, som vil bidrage til fremskridt for molekylære simuleringer inden for kemi, biologi og materialevidenskab.
Flere oplysninger: Yaolong Zhang et al., Universel maskinlæring til atomistiske systemers reaktion på eksterne felter, Nature Communications (2023). DOI:10.1038/s41467-023-42148-y
Journaloplysninger: Nature Communications
Leveret af Chinese Academy of Sciences
Sidste artikelAt flytte grænserne for miljøvenlig kemisk produktion med azaarener
Næste artikelPorøs platinmatrix viser lovende som et nyt aktuatormateriale