ElectroLens: Understanding Atomistic Simulations Through Spatially-resolved Visualization of High-dimensional Features
近年来,机器学习(ML)在化学信息学和电子结构理论领域获得了显著的普及。这些技术通常需要研究人员设计抽象的“特征”,将化学概念编码为与机器学习模型输入兼容的数学形式。然而,没有现有的工具将这些抽象的特征连接回实际的化学系统,使得难以诊断故障并建立关于特征含义的直觉。我们提出了一种新的可视化工具,用于高维空间分辨特征来解决这个问题。该工具通过一系列链接的3D视图和2D图可视化原子和电子环境特征的高维数据集。该工具能够通过交互式选择连接不同的衍生特征及其相应的3D区域。它具有可扩展性,并与现有基础设施集成。
2022-07-08 cs.HC cs.LG physics.chem-ph
Atomistic understanding of hydrogen coverage on RuO2(110) surface under electrochemical conditions from ab initio statistical thermodynamics
该研究结合从头算团簇展开与 Monte Carlo 采样,模拟电化学条件下 RuO2(110) 的氢覆盖与脱氢热力学,解释了实验 CV 双峰来源及 OER 表面状态。
2024-10-24 cond-mat.mtrl-sci physics.chem-ph
Computing spatially resolved rotational hydration entropies from atomistic simulations
对于大分子过程的第一原理理解,对潜在的自由能景观的定量理解,特别是其熵贡献是至关重要的。生物分子(如蛋白质)的稳定性受疏水效应的控制,该疏水效应是由溶剂壳层的自由能的竞争性熵和熵贡献引起的。虽然液体的统计力学以及分子动力学模拟提供了很多见解,但溶剂化壳层熵仍然非常难以计算,特别是当需要空间分辨率时。在这里,我们提出了一种方法,允许通过非参数k-近邻密度估计空间分辨旋转溶剂熵的计算。我们验证了我们的方法,使用分析测试分布,并将其应用到原子模拟的水箱。与优于9.6%的准确度,所获得的空间分辨率应该新的光的疏水效应和溶剂化的热力学一般。
2019-11-19 physics.bio-ph physics.chem-ph physics.comp-ph
Structure and optical properties of polymeric carbon nitrides from atomistic simulations
详细了解聚合氮化碳(PCN)材料的结构和物理性质是至关重要的,以获得未来的材料优化策略,更理想的光学性能和更多的光催化活性物质。然而,在合成的PCN中发现的广泛的结构基序使依赖于定义良好的模型的原子模拟复杂化。执行混合DFT研究,我们系统地研究形成能量的趋势和光学性质的PCN作为一个功能的维度,从分子低聚物的周期性片模型堆叠晶体。考虑到振动焓和熵贡献的热化学计算预测,包括瓜串结构,聚(庚嗪酰亚胺)和g-C3 N4基序的结构基序的混合物在典型的合成条件下是稳定的。横向压缩以及堆叠的程度可以减小带隙,而材料的面外压缩增加稳定性和光学带隙。这项工作的关键结果是,已经小域的强凝聚PCN计算产生良好的光学性能。这一结果调和了相互矛盾的文献报道,该文献报道表明,与实验相比,化学上有利的甜瓜基序具有太大的带隙,而g-C3 N4结构,其带隙计算与实验更好地一致,与测量的PCNs的化学组成不一致。最后,我们假设了一个新的计算模型的氮化碳材料,包括最重要的结构图案,并显示了约的带隙。2.9 EV.
2022-08-04 cond-mat.mtrl-sci physics.chem-ph
Introduction to machine learning potentials for atomistic simulations
本文系统介绍了机器学习势能的发展历程、核心方法(如HD-NNPs和GAP)及实际应用,并提供开发指南、开源资源和展示案例,旨在降低使用门槛并推动原子模拟边界。
2024-10-01 physics.chem-ph
Beyond Local Structures In Critical Supercooled Water Through Unsupervised Learning
针对过冷水液-液临界点的结构识别问题,本文用无监督学习比较局部与非局部描述符,发现纳米尺度非均质性可揭示HD/LD畴及密度涨落起源。
2024-03-29 cond-mat.soft physics.chem-ph physics.data-an
Atomistic View of Homogeneous Nucleation of Water into Polymorphic Ices
水是地球上最丰富的物质之一,而冰,即,固体水,有超过18个已知的相。通常,自然界中的冰只以冰Ih、冰Ic或两者的无序混合物的形式存在。尽管人们对常温常压下不同冰相的热力学进行了大量的理论研究,但仍存在许多问题。我们采用全原子分子动力学模拟的方法模拟了水和不同冰相之间的可逆相变。采用MetaITS增强取样方法,以两个选定的X射线衍射峰强度为集合变量,得到了液态水、冰Ih、冰Ic在多个温度下的三元相图。我们还提出了一个简单的物理模型,成功地解释了冰的热力学稳定性。我们的研究结果与实验结果一致,并导致更深入的理解冰的成核机制。
2021-11-24 cond-mat.soft cond-mat.stat-mech physics.chem-ph
Atomistic scale analysis of the carbonization process for C/H/O/N-based polymers with the ReaxFF reactive force field
在原始聚合物前体的碳化过程中,石墨结构可以演变。这些石墨结构的存在影响了碳纤维的机械性能。为了更好地了解这些结构演变背后的化学过程,我们使用ReaxFF反应力场进行了原子尺度的模拟。三种不同的聚合物被认为是前体:理想化的梯形PAN(聚丙烯腈),一个建议的氧化PAN和PBO(聚(对亚苯基-2,6-苯并二恶唑))。我们确定了聚合物转化为碳纤维结构的基本分子细节。由于这些是基于C/H/O/N的聚合物,我们首先基于密度泛函理论(DFT)数据开发了用于C/H/O/N化学的改进力场,特别关注N2形成动力学及其与碳化过程中形成的聚合物相关自由基的相互作用。然后,使用这种改进的力场,我们进行了原子尺度的模拟所考虑的聚合物的碳化过程的初始阶段。基于我们的模拟数据,我们确定了形成低分子量气体物种的分子途径,全碳环对于进一步的石墨结构演化和演化的全碳6元环簇的可能排列至关重要。
2019-05-03 physics.chem-ph
Understanding chemical reactions via variational autoencoder and atomic representations
在原子数值模拟的时间尺度上,化学反应被认为是罕见的事件。原子模拟通常沿着原子结构空间中的化学反应的低维表示偏置,即,沿着集体变量,以加速对这些不可能事件的采样。然而,由于转换的复杂性,合适的集合变量通常很难猜测。因此,我们提出了一种从原子表示向量生成鲁棒集体变量的自动方法,使用固定的Behler-Parrinello函数或从预训练的机器学习潜力中提取的表示。以这些表示作为输入的变分自动编码器被训练,而其具有任意维度的潜在空间为我们提供了集合变量。由此产生的集体变量继承了原子表示的所有必要的不变性,并且可以完全无监督地进行训练。使用三种不同的化学反应,一个是复杂的水解的非均相铝硅酸盐催化剂的方法的有效性证明。最后,我们考虑在看不见的原子结构预测的上下文中的方法,有效地创建结构的不同值的集体变量的生成模型的方式。
2022-03-15 physics.chem-ph
Improving Molecular Force Fields Across Configurational Space by Combining Supervised and Unsupervised Machine Learning
原子配置的训练集是任何机器学习力场(MLFF)性能的关键,因此,训练集的选择决定了MLFF模型对预测分子模拟的适用性。然而,大多数原子参考数据集在配置空间(CS)上分布不均匀,因此随机选择训练集或根据数据的概率分布导致模型的准确性主要由参考数据中最常见的接近平衡的配置定义。在这项工作中,我们结合了无监督和有监督的ML方法,以绕过常见配置数据的固有偏差,有效地扩大了MLFF的适用范围,以充分发挥数据集的功能。为了实现这一目标,我们首先集群CS到子区域相似的几何形状和能量。我们在每个子区域上迭代测试给定的MLFF性能,并使用CS最不准确部分的代表填充模型的训练集。所提出的方法已被应用到一组小的有机分子和丙氨酸四肽,表现出高达两倍的减少,这些分子的力预测的均方根误差。这一结果适用于基于内核的方法(sGDML和GAP/SOAP模型)和深度神经网络(SchNet模型)。对于后者,所开发的方法同时提高了能量和力,绕过了采用混合能量/力损失函数时要做出的妥协。
2021-03-02 physics.chem-ph
Understanding the Structure of QM7b and QM9 Quantum Mechanical Datasets Using Unsupervised Learning
National Research Council Canada(加拿大国家研究委员会)
该研究使用内蕴维数分析、聚类与离群点检测揭示 QM7b、QM9 的数据结构,并验证低维空间仍可支持逆向分子设计中的原子数预测。
2023-09-25 cond-mat.mtrl-sci cs.LG physics.chem-ph
A smooth basis for atomistic machine learning
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
本文提出用球内拉普拉斯特征值问题的解作为原子密度展开的最平滑基组,并通过无监督和有监督测试证明其性能优于常用基组且可与数据驱动基组竞争,揭示了基函数平滑性在原子表示中的关键作用。
2023-05-23 cs.LG physics.chem-ph
Opportunities and Challenges in Unsupervised Learning: The Case of Aqueous Electrolyte Solutions
本文以离子扰动水局部结构为例,采用SOAP描述符、本征维度和高维自由能景观评估无监督学习的超参数选择与物理解释挑战,并给出水溶液研究的方法路线图。
2025-07-25 physics.chem-ph physics.comp-ph
Graph Dynamical Networks for Unsupervised Learning of Atomic Scale Dynamics in Materials
Massachusetts Institute of Technology(麻省理工学院)
了解控制功能材料性能的动态过程对于设计下一代材料以应对全球能源和环境挑战至关重要。这些过程中的许多过程涉及凝聚相中的单个原子或小分子的动力学,例如电解质中的锂离子、膜中的水分子、界面处的熔融原子等,由于当地环境的复杂性,这是很难理解的。在这项工作中,我们开发了图动力学网络,一种无监督学习方法,用于从分子动力学模拟中理解任意阶段和环境中的原子尺度动态。我们表明,重要的动力学信息可以学习各种多组分非晶材料系统,这是很难获得,否则。由于材料设计的几乎每个方面每天都产生大量的分子动力学数据,这种方法提供了一种广泛有用的自动化工具来理解材料系统中的原子尺度动力学。
2019-05-22 cond-mat.mtrl-sci cs.LG physics.chem-ph
Atomistic simulations of molten carbonates: thermodynamic and transport properties of the Li2CO3-Na2CO3-K2CO3 system
虽然熔融碳酸盐至多只代表地幔中的一个非常小的相,但它们被认为隐含在地幔上部(70-350公里)的异常高电导率区中。此外,这些熔融盐的高导电性也可用于燃料电池。在这里,我们报告的定量计算的性质,在很大范围内的热力学条件和化学成分,这是必要的开发技术设备,并提供一个更好地了解一些地球化学过程。为了模拟熔融碳酸盐的原子模拟,我们已经开发了一个优化的经典力场的基础上的实验数据的文献和液体结构的从头计算分子动力学模拟进行了自己。在实现这个力场到分子动力学模拟代码,我们已经评估了热力学(状态方程和表面张力)、微观液体结构和输运性质熔融碱金属碳酸盐的扩散系数、电导率和粘度(Li2CO3,Na2CO3,K2 CO 3和它们的一些二元和三元混合物)从熔点到地球上地幔中占主导地位的热力学条件(~ 1100-2100 K,0-15 GPa)。我们的结果与文献中的数据非常吻合。据我们所知,一个可靠的分子模型熔融碱金属碳酸盐涵盖了这么大的域的热力学条件,化学组成和物理化学性质尚未公布。
2019-02-06 physics.chem-ph physics.geo-ph
Recognizing Local and Global Structural Motifs at the Atomic Scale
目前在分子和超分子尺度上对结构-性质关系的大多数理解可以根据有限数量的重复结构基序(例如,氢键、配位多面体和蛋白质二级结构)。在这里,我们展示了一种算法来自动识别这样的模式,在原子计算机模拟中观察到的概率分布中的局部最大值的识别的基础上,这是强大的参考原子数据的维数和稀疏性。我们首先讨论了它的主要特点,展示了一些人工数据集,然后展示了它如何可以应用于识别协调环境中的Lennard-Jones集群和识别二级结构模式的模拟寡肽。为了评估该算法的适用性,涉及几个相互依赖的自由度的图案,我们还采用它来确定组的构象的集群和多肽,考虑在其整体。通过分析原子模拟识别的基序可用于解释和合理化手头系统的稳定性和行为,也可作为加速采样的工具,与偏置分子动力学方案相关联。
2018-01-25 physics.chem-ph
Timescale bridging in atomistic simulations of epoxy polymer mechanics using non-affine deformation theory
本文利用非仿射晶格动力学框架研究交联环氧体系在宽频率范围内的粘弹性响应,成功桥接模拟与实验之间超过6个数量级的时间尺度差距,并揭示非仿射位移和内应力对低频模量的关键影响。
2024-06-04 cond-mat.dis-nn cond-mat.mtrl-sci cond-mat.other
Embedded-physics machine learning for coarse-graining and collective variable discovery without data
Technical University of Munich(慕尼黑工业大学);University of Notre Dame(圣母大学);Center for Informatics and Computational Science(信息与计算科学中心)
我们提出了一种新的学习框架,该框架始终嵌入底层物理学,同时绕过了分子动力学(MD)背景下大多数现代数据驱动粗粒度方法的一个显著缺点,即,大数据的可用性。足够大的训练数据集的生成提出了一个计算上要求很高的任务,而原子配置空间的完全覆盖是不能保证的。因此,数据驱动的粗粒度模型的探索能力是有限的,可能会产生有偏见的“预测”工具。我们提出了一个新的目标的基础上反向Kullback-Leibler分歧,充分结合了现有的物理形式的原子力场。而不是从数据生成过程中分离模型学习-后者依赖于模拟由力场控制的原子运动-我们在预测粗粒度模型提出的样本配置中查询原子力场。因此,学习依赖于力场的评估,但不需要任何MD模拟。生成的粗粒度模型作为一个有效的代理模型预测原子的配置和估计相关的可观测量。除了获得一个预测粗粒度模型,我们证明,在发现的低维表示,集体变量(CV)相关的物理化学性质,这是必不可少的了解未开发的复杂系统。我们展示了算法的预测能力和物理意义的双峰势能函数和丙氨酸二肽的CV显示方面的进步。
2020-02-24 cs.LG physics.chem-ph physics.comp-ph
Tunable thermal conductivity of sustainable geopolymers by Si/Al ratio and moisture content: insights from atomistic simulations
本研究利用分子动力学模拟发现,地质聚合物热导率随Si/Al比增加而升高,随水分含量增加呈先降后升并趋于稳定的趋势,5%水分含量时降至最低1.103 W/(mK),揭示了孔隙声子散射机制。
2024-01-21 cond-mat.mes-hall cond-mat.soft physics.chem-ph