A direct and local deep learning (DL) model for atomic forces is presented. We demonstrate the model performance in bulk aluminum, sodium, and silicon; and show that its errors are comparable to those found in state-of-the-art machine learning and DL models. We then analyze the model's performance as a function of the number of neighbors included and show that one can ascertain physical attributes of the system from the analysis of the deep learning model's behavior. Finally, we test the size scaling performance of the model, and the transferability between different temperatures, and show that our model performs well in both scaling to larger systems and high-to-low temperature predictability.
Broad chemical transferability in structure-based coarse-graining
与自顶向下的粗粒度（CG）模型相比，自底向上的方法能够提供更高的结构保真度。这种保真度来自与更高分辨率参考的紧密联系，使CG模型具有化学特异性。不幸的是，化学特异性可能与化合物筛选策略不一致，这需要可转移的参数化。在这里，我们提出了一种方法来调和自下而上，结构保持CG模型与化学转移。我们考虑了3，441个C $_7$ O $_2$小分子异构体的自底向上CG参数化。我们的方法结合了原子表示，无监督学习和大规模扩展集成力匹配参数化。我们首先确定了一个子集的19个代表性的分子，最大限度地编码的所有气相构象的局部环境。从均质散装液体和各种二元混合物中获得19个代表性分子之间的参考相互作用。一个扩展的合奏参数化所有703个状态点，导致CG模型，这是基于结构和化学转移。值得注意的是，由此产生的力场在结构上平均比单一状态点等效物更精确。对扩展系综进行平均可以作为平均力正则化器，消除对单个状态点过于特定的力和结构相关性。我们的方法旨在通过一组CG珠类型实现可转移性，这些CG珠类型可用于轻松构建新分子，同时保留基于结构的参数化的优点。
Coarse-grained conformational surface hopping: Methodology and transferability
粗粒（CG）构象表面跳跃（SH）适应多表面动力学的概念，最初发展到描述化学反应中的电子跃迁，以准确地描述经典的分子动力学在一个减少的水平。SH方案耦合不同的构象盆地（状态），每个由其自身的力场（表面）描述，导致平均力的多体势近似的显著改进[Phys. Rev. Lett. 121，256002（2018）]。本研究首先介绍了CG SH更详细，通过一个玩具模型和三珠模型的己烷。我们进一步扩展的方法，以非键的相互作用，并报告其对液体性质的影响。最后，我们调查的可转移性的表面不同的系统和热力学状态点，通过一个简单的调整状态概率。特别是，应用程序的温度和化学成分的变化显示出良好的协议与参考原子计算，引入了一个有前途的“弱transferability制度”，其中CG力场可以共享热力学和化学邻域。
ORION: Unifying Top-Down and Bottom-Up Chemical Space Sampling for a Universal Organic Force Field
Future Technology School, Shenzhen Technology University（深圳技术大学未来技术学院）；College of Applied Sciences, Shenzhen University（深圳大学应用科学学院）；Heilongjiang Provincial Key Laboratory of Oil & Gas Chemical Technology, Northeast Petroleum University（东北石油大学油气化学技术黑龙江省重点实验室）；Beijing Key Laboratory of Green Chemical Reaction Engineering and Technology, Department of Chemical Engineering, Tsinghua University（清华大学化学工程系绿色化学反应工程与技术北京市重点实验室）；School of Science, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）理学院）；School of Energy and Power Engineering, Dalian University of Technology（大连理工大学能源与动力工程学院）；Department of Chemical and Materials Engineering, University of Alberta（阿尔伯塔大学化学与材料工程系）
Systematically Improvable Numerical Atomic Orbital Basis Using Contracted Truncated Spherical Waves
Institute of Microelectronics, Chinese Academy of Sciences（中国科学院微电子研究所）；AI for Science Institute（人工智能科学研究所）；DP Technology（北京智源人工智能研究院）；HEDPS, CAPT, School of Mechanics and Engineering Science and School of Physics , Peking University（北京大学力学与工程科学学院、物理学院）
An improved transform theory for estimation of number density distribution of colloidal particles on a surface: A method for colloidal-probe atomic force microscopy
