A quantum chemical study from a molecular perspective: ionization and electron attachment energies for species often used to fabricate single-molecule junctions
准确测定嵌入分子结中的分子的最低电子附着($EA$)和电离($IP$)能量对于正确估计\emph{e.g.}、电流($I$)或偏置($V$)的幅度(其中$I-V$曲线表现出显著的非欧姆行为)是重要的。用于制备n型导电单分子结的几种典型分子的最低电子附着能和电离能的基准计算(4,4 '-联吡啶、1,4-二氰基苯和4,4'-二氰基-1,1 '-联苯)和p型导电(苯二硫醇,联苯二硫醇,己烷单硫醇,基于EOM-CCSD(equation-of-motion coupled-cluster singles and doubles)的量子化学方法,研究了正己二硫醇与正己二硫醇之间的相互作用。它们表明与目前分子运输方法中获得的结果存在显着差异。本研究强调,除了一个可靠的量子化学方法,基组比无处不在的双zeta设置用于运输计算更好的是必要的。后者对于正确地确定$EA$是特别关键的问题,这在不包括足够的扩散基函数的情况下是不可能的。主导分子轨道(MO)的空间分布是另一个重要的问题,本研究引起了人们的注意,因为它敏感地影响由于在电极中形成的图像电荷的MO-能量移动$Φ$。目前的结果不能证实电极之间中点的点状MO的常见假设,其实质上影响实际的$Φ$值。
2015-09-18 physics.chem-ph physics.comp-ph
Linear Scaling Calculation of Atomic Forces and Energies with Machine Learning Local Density Matrix
本文提出HamGNN-DM模型,利用局域密度矩阵以O(n)线性标度实现DFT级精度的原子力和能量预测,为大规模分子动力学模拟提供高效且稳健的电子结构信息。
2025-01-03 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Grappa -- A Machine Learned Molecular Mechanics Force Field
Heidelberg Institute for Theoretical Studies(海德堡理论研究所)
Grappa利用图注意力网络和Transformer从分子图预测MM参数,在保持计算效率的同时提升力场精度,适用于小分子至病毒粒子的MD模拟。
2024-08-01 cs.LG physics.chem-ph physics.comp-ph
Machine Learning Directed Optimization of Classical Molecular Modeling Force Fields
精确的力场是预测性分子模拟所必需的。然而,开发精确再现实验性质的力场是具有挑战性的。在这里,我们提出了一种用于力场参数化的机器学习指导的多目标优化工作流程,该工作流程评估了数百万个潜在的力场参数集,同时只需要其中一小部分进行分子模拟测试。我们证明了该方法的一般性,并确定多个低误差参数集两个不同的测试用例:模拟氢氟碳化合物(HFC)的汽液平衡(VLE)和高氯酸铵(AP)的结晶相。我们讨论了我们的力场优化工作流程的挑战和影响。
2021-07-13 physics.chem-ph
A novel proof of the DFT formula for the interatomic force field of Molecular Dynamics
基于基态电子能量是Hohenberg-Kohn泛函的Legendre变换,而Hohenberg-Kohn泛函又是电子密度的泛函,我们给出了经典分子动力学中驱动原子运动的原子间力场的DFT表达式的一个新颖而简单的证明.我们以这种方式表明,所谓的赫尔曼-费曼分析公式,目前用于数值模拟,实际上提供了原子间力的精确表达式。
2016-12-28 cond-mat.soft physics.chem-ph physics.comp-ph
Predicting hydration free energies of the FreeSolv database of druglike molecules with molecular density functional theory
我们评估了分子密度泛函理论(MDFT)的性能,以预测小药物样分子基准FreeSolv的水合自由能。超网状链近似(HNC)中的MDFT结合压力校正预测FreeSolv数据库的实验水合自由能在1 kcal/mol以内,平均计算时间为每个分子2 cpu. min。这与基于模拟的自由能计算的精度相同,后者通常需要每个分子数百个CPU. h或数十个GPU. h。
2020-06-25 physics.chem-ph
Comment on "Fast and Accurate Modeling of Molecular Atomization Energies with Machine Learning"
对M的信的评论Rupp等人,物理修订信函108 058301(2012)。
2012-08-06 cond-mat.mtrl-sci physics.chem-ph
Statistically Optimal Force Aggregation for Coarse-Graining Molecular Dynamics
机器学习的粗粒度(CG)模型具有模拟大分子复合物的潜力,超出了原子分子动力学的可能性。然而,训练准确的CG模型仍然是一个挑战。一种广泛使用的学习CG力场的方法将来自全原子分子动力学的力映射到CG表示,并将它们与平均CG力场相匹配。我们表明,有灵活性,如何映射到CG表示的所有原子的力量,最常用的映射方法是统计效率低下,甚至可能不正确的存在约束的所有原子模拟。我们定义了一个优化语句的力映射,并表明,大大改善CG力场可以从相同的模拟数据时,使用优化的力映射。该方法在微蛋白Chignolin和Tryptophan Cage上进行了演示,并作为开源代码发布。
2023-02-14 physics.bio-ph physics.chem-ph physics.comp-ph
Calculation of molecular free energies in classical potentials
分子的自由能可以通过量子计算或简正模经典计算来计算。然而,第一个可以计算不切实际的大分子和第二个是基于谐波动力学的假设。提出了一种新的、精确的、完整的标准经典势下分子自由能的计算方法。在这种方法中,我们通过放松依赖于该分子中的一组原子的坐标的势项来变换分子,并计算与变换相关的自由能差。然后,由于转换后的分子可以被视为非相互作用系统,与这些原子的自由能进行了分析或数值计算。这种两步计算可以应用于计算分子的自由能或一般环境中分子之间的自由能差(可能很大)。我们提出了化学反应自由能计算在经典分子模拟中的潜在应用。
2015-07-16 physics.chem-ph
Anharmonic molecular mechanics: Ab initio based Morse parameterisations for the popular MM3 force field
从分子力学力场产生反应性势能面的方法学正变得越来越流行。到目前为止,分子力学力场使用谐波表达式来处理键拉伸,这在反应分子动力学模拟中是一个很差的近似,因为键从它们的平衡位置显著移位。对于这样的应用,需要更好地处理非谐性。在这篇论文中,Morse成键势被广泛地参数化为Allinger及其同事使用高水平CCSD(T)(F12*)能量的MM3力场中的原子类型。据我们所知,这是第一个实例的大规模paramerization莫尔斯潜力在一个流行的力场。
2019-05-21 physics.chem-ph
Empirical corrections and pair interaction energies in the fragment molecular orbital method
结合Hartree-Fock方法和三个经验修正(HF-3c),得到了FMO的能量和解析梯度。将FMO的辅助基组方法推广到对相互作用能量分解分析。针对包括3种蛋白质的几种典型系统评价FMO准确度。对相互作用能计算与不同的方法在FMO进行了比较的水簇和蛋白质配体复合物。
2018-06-20 physics.chem-ph
Systematic improvement of molecular excited state calculations by inclusion of nuclear quantum motion: a mode-resolved picture and the effect of molecular size
分子激发态的能量是电子薛定谔方程的解,经常与实验进行比较。同时,已知核量子运动是重要的,并且引起激发态能量的红移。然而,目前还不清楚是否将核量子运动的分子激发态计算导致其预测精度的系统性改善,使进一步的调查是必要的。在这里,我们提出了这样的调查,采用两个第一性原理的方法捕获量子涨落的影响,激发态的能量,我们适用于Thiel集的有机分子。我们表明,占零点运动导致大大改善的协议与实验相比,“静态”计算,只占电子效应,和红移的幅度可以变得高达1.36 eV。此外,我们还发现原子核量子运动对激发态能量的影响很大程度上取决于分子的大小,分子越小,红移越大。我们的方法也使得有可能分析的贡献,个别振动的正常模式的激发态能量的红移,并在几个分子中,我们确定了有限数量的模式主导这种效果。总的来说,我们的研究提供了一个基础,系统地量化的激发态能量的移动,由于核量子运动,并在微观水平上理解这种效果。
2021-06-25 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Accurate molecular energies by extrapolation of atomic energies using an analytic quantum mechanical model
使用一种新的分析量子力学方法的基础上斯莱特的Xalpha方法,我们表明,一个相当准确的估计分子的总能量可以得到其组成原子的确切能量。由此确定的56个分子的G2组的总能量的平均绝对误差为约16千卡/摩尔,相当于或优于一些流行的纯和混合密度泛函模型。
2005-03-17 cond-mat.mtrl-sci cond-mat.other physics.chem-ph
A simple many-body based screening optimization and mixing ansatz for improvement of GW/BSE excitation energies of molecular systems
我们提出了一个简单的基于多体的筛选混合策略,大大提高性能的Bethe-Salpeter(BS)方法预测的分子系统的激发能。这种策略使我们能够通过最佳地利用抵消效应,几乎再现高度相关的运动方程耦合团簇单双(EOM-CCSD)的结果。
2017-08-21 physics.chem-ph
Lattice energies of molecular solids from the random phase approximation with singles corrections
本文采用无规相近似(RPA)方法,考虑单关联能贡献,计算了十种分子固体的晶格能。虽然RPA给出太弱的结合,平均低估了参考数据$13.7$ \%,但是当在GW单激发(GWSE)水平包括单激发时,获得了大大改善的结果,与参考数据的平均绝对差仅为$3.7$ \%。与以前的结果相一致,我们发现一个很好的协议与参考数据的氢键系统,而结合是太弱的色散力占主导地位的系统。事实上,RPA+GWSE方法的总体精度与参考数据的估计精度相似。
2016-06-22 physics.chem-ph
Accuracy of basis-set extrapolation schemes for DFT-RPA correlation energies in molecular calculations
在完全基组极限下,在密度泛函理论(DFT)框架下构建了原子和分子随机相位近似(RPA)相关能的参考基准集。这套是用来评估一些流行的RPA全电子分子计算外推方案的准确性。结果表明,对于绝对能量准确的结果,明显优于原始数据,是可以实现的两点外推计划的基础上五倍和六倍zeta基组。此外,我们表明,结果与基准也可以通过使用基于四重和五重zeta基组的半经验外推程序。最后,我们分析了不同的原子化能量外推方案的性能。
2013-02-21 cond-mat.mtrl-sci physics.chem-ph
Centroid Molecular Dynamics Can Be Greatly Accelerated Through Neural Network Learned Centroid Forces Derived from Path Integral Molecular Dynamics
近30年来,质心分子动力学(CMD)已被证明是一种可行的类经典相空间公式,用于计算量子动力学性质。然而,质心有效力的计算仍然是一个显着的计算成本,并限制了CMD的能力,是一个有效的方法来研究凝聚相量子动力学。在本文中,我们介绍了一种基于神经网络的方法,首先学习质心有效力的路径积分分子动力学数据,随后作为一个有效的力场来发展的质心直接与CMD算法。这种称为机器学习质心分子动力学(ML-CMD)的方法比标准的动态CMD和环状聚合物分子动力学(RPMD)更快且成本更低。ML-CMD的训练方面也直接使用DeepMD软件包实现。ML-CMD然后应用到两个模型系统来说明的方法:液体仲氢和水。结果表明,CMD和RPMD的量子动力学性质的估计,包括自扩散常数和速度时间关联函数的精度相当,但显着降低整体计算成本。
2022-09-14 physics.chem-ph
Towards Exact Molecular Dynamics Simulations with Machine-Learned Force Fields
采用经典力场的分子动力学(MD)模拟构成了化学、生物学和材料科学中当代原子建模的基石。然而,这些模拟的预测能力仅与潜在的原子间势一样好。经典势常常不能忠实地捕捉分子和材料中的关键量子效应。在这里,我们通过将空间和时间物理对称性以自动数据驱动的方式纳入梯度域机器学习(sGDML)模型,从高级从头计算中直接构建灵活的分子力场。所开发的sGDML方法忠实地再现了量子化学CCSD(T)级精度的全局力场,并允许使用完全量子化的电子和原子核进行收敛的分子动力学模拟。我们目前的MD模拟,灵活的分子多达几十个原子,并提供这些分子的动力学行为的见解。我们的方法提供了实现分子模拟光谱精度的关键缺失成分。
2018-09-25 physics.chem-ph
High-throughput free energies and water maps for drug discovery by molecular density functional theory
类药物分子的水合自由能是药物发现的关键数据。需要数十万次评估,这排除了原子模拟和自由能方法的详尽使用。相反,目前的对接和筛选过程今天依赖于数字上有效的评分功能,失去了大部分的原子尺度的信息,因此仍然容易出错。在这篇文章中,我们将展示如何概率描述的分子液体中实施的分子密度泛函理论预测水合自由能的一个国家的最先进的基准的小药物样分子在0.5千焦/摩尔(0.1千卡/摩尔)的原子模拟,随着水和极化图,计算时间兼容的筛选和对接。
2018-06-08 physics.chem-ph
Learning Small Molecule Energies and Interatomic Forces with an Equivariant Transformer on the ANI-1x Dataset
精确预测原子间的相互作用能量和作用力是高质量分子动力学模拟的基础。机器学习算法可用于通过预测从头算质量能量和力来克服经典MD的局限性。SE(3)-等变神经网络允许对空间关系进行推理,并利用旋转和平移对称性。其中一个算法是SE(3)-Transformer,我们将其应用于ANI-1x数据集。我们早期的实验结果表明,通过消融研究,更深的网络-具有额外的SE(3)-Transformer层-可以达到必要的精度,以允许与MD有效集成。然而,SE(3)-Transformer的更快的实现将是必需的,例如Milesi最近发布的加速版本。
2022-01-03 physics.chem-ph
Fast and Accurate Modeling of Molecular Atomization Energies with Machine Learning
我们引入了一个机器学习模型来预测一组不同的有机分子的原子化能量,仅基于核电荷和原子位置。求解分子薛定谔方程的问题被映射到一个非线性统计回归问题的复杂性降低。回归模型进行训练,并与混合密度泛函理论计算的原子化能量进行比较。对七千多个有机小分子进行交叉验证,得出的平均绝对误差约为10 kcal/mol。证明了该方法对分子原子化势能曲线预测的适用性。
2011-09-12 cond-mat.dis-nn cond-mat.mtrl-sci physics.chem-ph
Quantum equation of motion for computing molecular excitation energies on a noisy quantum processor
分子激发能的计算对于预测具有化学和技术意义的光诱导反应是必不可少的。虽然这项任务所需的经典计算资源规模很小,但量子算法成为有前途的替代方案。特别是,扩展的变变分量子本征求解器算法的计算的激发能是一个有吸引力的选择。然而,目前缺乏这样的算法相关的分子系统,是服从短期,嘈杂的硬件。在这项工作中,我们提出了一个扩展的经典运动方程方法的量子算法计算分子激发能的噪声量子计算机。特别是,我们证明了这种方法的效率在IBM量子计算机上的LiH分子的激发能的计算。
2020-08-17 cond-mat.str-el physics.chem-ph quant-ph
Effect of rotational-state-dependent molecular alignment on the optical dipole force
基于分子与光场相互作用的分子光学元件(例如透镜或棱镜)的性质在关键方面取决于分子的量子态及其由光场产生的排列。然而,在以前的实验研究中,状态依赖的排列的影响从来没有被包括在估计的光学偶极力作用于分子上,而以前的理论研究采取了状态依赖的分子排列只考虑隐含。在这里,我们认为明确的分子排列的影响,并为此目的,引入一个有效的极化率,适当考虑分子的排列,并直接关系到依赖于光偶极力。我们说明的意义,包括分子排列的光学偶极力的轨迹研究,比较以前使用的近似与本方法。进行了轨迹模拟的线性分子系综的传播或驻波光场的温度和激光强度的范围内。结果表明,依赖于极化率的有效极化率可以提供正确的估计的光学偶极子力,在此基础上,适用于非极性分子的状态选择方法可以基于。我们注意到,一个类似的分析力作用在极性分子受到不均匀的静态电场揭示了类似的强烈依赖于分子取向。
2016-06-02 physics.chem-ph
Flow-matching -- efficient coarse-graining of molecular dynamics without forces
Freie Universität Berlin(柏林自由大学);Microsoft Research AI4Science(微软研究院AI4Science)
粗粒度(CG)分子模拟已经成为一个标准的工具,研究分子过程的时间和长度尺度上无法达到全原子模拟。参数化CG力场以匹配全原子模拟主要依赖于力匹配或相对熵最小化,这需要分别来自具有全原子或CG分辨率的昂贵模拟的许多样本。在这里,我们提出了流匹配,这是一种新的CG力场训练方法,它通过利用归一化流(一种生成式深度学习方法)结合了两种方法的优点。流匹配首先训练归一化流以表示CG概率密度,这相当于在不需要迭代CG模拟的情况下最小化相对熵。随后,该流程根据学习的分布生成样本和力,以便经由力匹配来训练期望的CG自由能模型。即使不需要来自全原子模拟的力,流匹配在数据效率方面也优于经典力匹配一个数量级,并且产生可以捕获小蛋白质折叠和展开转变的CG模型。
2023-02-05 cs.LG physics.bio-ph physics.chem-ph
Machine Learning of Accurate Energy-Conserving Molecular Force Fields
使用能量守恒-封闭的经典和量子力学系统的一个基本属性-我们开发了一种有效的梯度域机器学习(GDML)方法,使用有限数量的从头算分子动力学(AIMD)轨迹的样本来构建精确的分子力场。的GDML实现是能够再现全球的中等大小的分子的势能面的精度为0.3千卡$\text{mol}^{-1}$的能量和1千卡$\text{mol}^{-1}$ $\textÅ^{-1}$的原子力使用仅1000构象的几何形状的训练。我们证明了这种准确性的AIMD的分子轨迹,包括苯,甲苯,萘,乙醇,尿嘧啶和阿司匹林。在我们的工作中,通过在希尔伯特空间中学习服从能量守恒定律的向量值函数来完成构建保守力场的挑战。GDML方法能够以显式AIMD计算的一小部分成本对分子进行定量分子动力学模拟,从而允许构建具有高水平从头算方法的准确性和可转移性的有效力场。
2017-05-08 physics.chem-ph
Molecular free energies, rates, and mechanisms from data-efficient path sampling simulations
本研究开发了一种算法,从机器学习引导的路径采样数据中近似平衡路径集合,以适中的计算成本同时提供稀有分子事件的高效采样、机制、自由能和速率,并在迷你蛋白chignolin折叠上验证了其数据高效性。
2023-07-28 cond-mat.stat-mech physics.chem-ph physics.comp-ph
Hierarchical modeling of molecular energies using a deep neural network
我们引入了分层交互粒子神经网络(HIP-NN)来模拟量子计算数据集的分子性质。受多体展开的启发,HIP-NN将能量等属性分解为分层项的总和。这些项是由一个神经网络产生的--一个由许多非线性变换组成的网络--作用于分子的一个表示。HIP-NN在131 k基态有机分子的数据集上实现了最先进的性能,并以0.26 kcal/mol的平均绝对误差预测能量。通过最小的调整,我们的模型在分子动力学轨迹数据集上也具有竞争力。除了实现准确的能量预测外,HIP-NN的分层结构还有助于识别模型不确定性区域。
2017-09-29 physics.chem-ph stat.ML
Supercell convergence of charge-transfer energies in pentacene molecular crystals from constrained DFT
单态裂变(SF)是一种多激子产生过程,可以利用它来提高光伏器件的效率。实验上,衍生自并五苯分子的系统已显示出具有高产率的超快SF。电荷转移(CT)配置可能发挥重要作用,在这些系统中的SF过程中的中间体。在分子晶体中,静电屏蔽效应和能带形成在降低CT态的能量,增强它们有效参与SF的潜力方面是重要的。为了模拟这些,它希望采用一种计算方法,这是可以接受的准确性,相对便宜,这和规模以及更大的系统,从而使研究的屏蔽效果。我们提出了一种新的,静电校正的约束密度泛函理论(cDFT)的方法作为一个低成本的解决方案,计算CT能量的分子晶体,如并五苯。在这里,我们考虑的上下文中的ONETEP线性缩放DFT代码的实现,但我们的静电校正方法是在原则上适用于任何约束DFT实现的组合,也在线性缩放框架之外。我们的新开发的方法使我们能够估计CT能量在无限晶体极限,并与这些验证集群近似的准确性。
2016-03-22 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Molecular Force Fields with Gradient-Domain Machine Learning (GDML): Comparison and Synergies with Classical Force Fields
现代机器学习力场(ML-FF)能够以高级$ab~initio$方法的精度产生能量和力预测,但计算成本要低得多。另一方面,经典分子力学力场(MM-FF)采用固定的功能形式,往往是不太准确,但相当快,并可转移之间的分子相同的类。在这项工作中,我们将研究这两种方法如何相互补充。我们对比的能力ML-FF重建动态和热力学可观的MM-FFs,以获得定性的理解这两种方法之间的差异。这种分析使我们能够修改广义琥珀力场(GAFF),通过重新参数化短程和键合相互作用与更多的表达条款,使他们更准确,而不牺牲的关键属性,使MM-FF如此成功。
2020-08-10 physics.atm-clus physics.bio-ph physics.chem-ph
Binding energies of molecular solids from fragment and periodic approaches
本文采用Hartree-Fock(HF)和二阶Møller-Plesset微扰理论(MP2)计算了四种分子固体的结合能。我们得到的能量内多体膨胀(MBE),以及使用周期性边界条件(PBC)比较这两种方法。我们研究的系统是甲烷、二氧化碳、氨和甲醇。我们使用紧收敛设置来获得具有高精度的结合能,我们估计的不确定性仅为百分之零点几。我们讨论了几个问题,影响结果的质量,需要考虑达到MBE和PBC内的高精度。例如,PBC中的HF和MP2能量受益于实空间库仑截止技术的使用,MBE中的能量的收敛通过修改求和的阶数来改善。最后,数值噪声的一些分子束外延的贡献难以评估和效果减少使用较小的基组的关键条款。
2022-08-12 cond-mat.mtrl-sci physics.chem-ph
Use the force! Reduced variance estimators for densities, radial distribution functions and local mobilities in molecular simulations
即使局部性质的计算,如密度或径向分布函数,仍然是分子模拟的最标准目标之一,它仍然在很大程度上依赖于直接基于直方图的策略。在这里,我们强调了替代方法的最新发展,从不同的角度来看,估计与传统的分箱相比,减少了方差。它们都利用作用在粒子上的力,除了它们的位置,并允许专注于问题的非平凡部分,以减轻(甚至在某些情况下消除)直方图的灾难性行为,因为箱大小减小。相应的计算成本是可以忽略的分子动力学模拟,因为力已经计算产生的配置,和减少方差估计的好处是更大的成本时,产生后者是高的,特别是从头计算模拟。力采样方法可能导致在不存在颗粒的区域中的密度的虚假残余非零值,但是可以使用策略来减轻这种伪影。我们说明这种方法的数量,电荷和极化密度,径向分布函数和局部输运系数,讨论各种观点之间的联系,并提出未来的挑战,这种有前途的方法。
2020-09-10 cond-mat.stat-mech physics.chem-ph physics.comp-ph
Operator Forces For Coarse-Grained Molecular Dynamics
Department of Mathematics and Computer Science, Freie Universität, Berlin, Germany(数学与计算机科学系,弗里堡大学,柏林,德国);Microsoft Research AI for Science, Berlin, Germany(微软研究院人工智能科学部,柏林,德国);Department of Physics, Rice University, Houston, Texas 77005, USA(物理系,里士大学,休斯顿,德克萨斯州77005,美国)
本文提出基于归一化流的核函数用于粗粒化分子动力学力匹配,在无原子力标签时仅从构象样本生成高质量力场,减少局部畸变并保持全局构象精度。
2025-06-24 cs.LG physics.chem-ph physics.comp-ph
Precise determination of excitation energies in condensed-phase molecular systems based on exciton-polariton measurements
精确测定凝聚相分子系统的激发能对于理解系统-环境相互作用以及用于研究系统动力学的理论模型的必要输入数据是重要的。激发能通常通过拟合所测量的光谱来确定,所述光谱包含由于环境的热随机动力学而产生的宽且未分辨的峰。在这里,我们提出了一种精确的能量测定的方法,通过强耦合的分子系统的光学腔和测量所产生的极化激元的能量。研究了由环境引起的热涨落对极化激元的影响,得到了极化激元线宽与分子数的幂次标度关系。幂指数提供了有关环境动态的重要信息。
2019-10-15 cond-mat.mes-hall physics.chem-ph
Boosting ensemble refinement with transferable force field corrections: synergistic optimization for molecular simulations
提出融合最大熵系综精修与力场拟合的连续插值框架,通过交叉验证确定权重,并在RNA寡聚体的核磁共振数据约束模拟中验证其可自动选择有效的可迁移力场校正。
2023-11-22 physics.bio-ph physics.chem-ph physics.comp-ph
General analytical nuclear force and molecular potential energy surface from full configuration interaction quantum Monte Carlo
全组态相互作用量子蒙特卡罗(FCIQMC)是一种最先进的随机电子结构方法,提供了一种在量子化学基础上计算分子体系的FCI能级态能的方法。然而,特别是为了在FCIQMC水平上探测{ \em动力学},有必要设计更有效的方案来从FCIQMC产生核力和势能面(PES)。在本文中,我们从FCIQMC导出了核力的一般公式,并阐明了合力的不同贡献。该方法克服了以往的限制,可与冻结核近似和自由选择轨道结合使用,使其有望用于更有效的核力计算。在对N $_2$分子的结合曲线进行数值检验后,利用FCIQMC能量和力,通过高斯过程回归得到了水分子的全维基态势能面。新的水FCIQMC PES可作为H $_2$ O基态核动力学、结构优化和振转光谱计算的基础。
2022-04-28 physics.chem-ph
Simulation of geometric and electronic degrees of freedom using a kink-based path integral formulation: application to molecular systems
本文对以前应用于原子体系的基于扭结的路径积分方法进行了改进,并将其用于分子体系的研究。该方法允许原子和电子自由度的同时进化。CH $_4 $、NH $_3 $和H $_2 $ O的结果表明,该方法对几何构型和能量都是准确的。与DFT和MP2水平计算的比较表明,路径积分方法产生的能量与MP2的能量和几何结构的DFT和MP2的结果接近一致。
2005-02-21 physics.chem-ph
Supervised Pretraining for Molecular Force Fields and Properties Prediction
ByteDance Inc.(字节跳动公司);Apple Inc.(苹果公司)
机器学习方法已成为流行的分子建模任务,包括分子力场和性质预测。传统的监督学习方法缺乏用于特定任务的标记数据,从而促使将大规模数据集用于其他相关任务。我们建议在8600万个分子的数据集上预训练神经网络,这些分子的原子电荷和3D几何形状作为输入,分子能量作为标签。实验表明,与从头开始训练相比,微调预训练模型可以显著提高七个分子性质预测任务和两个力场任务的性能。我们还证明了从预训练模型中学习的表示包含有关分子结构的足够信息,通过显示表示的线性探测可以预测许多分子信息,包括原子类型,原子间距离,分子支架类和分子片段的存在。我们的研究结果表明,监督预训练是分子建模中一个很有前途的研究方向
2022-11-23 cs.LG physics.chem-ph q-bio.BM
Tensor-SqRA: Modeling the Transition Rates of Interacting Molecular Systems in terms of Potential Energies
针对分子系统罕见构象变化速率估计问题,提出融合SqRA与耦合系统张量结构的tSqRA方法,还开发了混合式PRE算法,并探究了低秩近似的整合可能。
2023-11-16 physics.chem-ph
Efficient Training of ANN Potentials by Including Atomic Forces via Taylor Expansion and Application to Water and a Transition-Metal Oxide
人工神经网络(ANN)的潜力,使有效的大规模复杂材料的原子模型与第一原理的精度。对于分子动力学模拟,准确的能量和原子间力是先决条件,但同时训练ANN势能对来自电子结构计算的能量和力的计算要求很高。在这里,我们介绍了一种有效的替代方法,用于训练的ANN潜力的能量和力的信息的基础上外推的总能量通过泰勒展开。通过将力信息转换为近似能量,可以避免传统力训练方法所表现出的与原子数量的二次缩放,这使得能够在包含复杂原子结构的参考数据集上进行训练。我们证明了不同的材料系统,集群的水分子,散装液态水,和锂过渡金属氧化物,所提出的部队训练方法提供了实质性的改进方案,训练的能量。包括用于训练的力信息减小了ANN势构造所需的参考数据集的大小,增加了势的可转移性,并且总体上提高了力预测精度。对于一组水簇,泰勒展开方法与对所有力分量的显式训练相比,以小得多的计算成本实现了约50%的力误差改进。因此,替代力训练方法简化了一般人工神经网络潜力的预测准确的能量和不同类型的材料的原子间的力量,如这里所示的水和过渡金属氧化物。
2020-05-02 cond-mat.mtrl-sci physics.app-ph physics.chem-ph
Understanding molecular representations in machine learning: The role of uniqueness and target similarity
分子性质的机器学习(ML)模型的预测准确性取决于分子表示的选择。基于量子力学的假设,我们引入了一个层次的表示,满足唯一性和目标相似性标准。为了系统地控制目标相似性,我们依赖于原子间的多体扩展,如在通用力场中实施的,包括键合、角度和高阶项(BA)。高阶贡献的添加系统地增加了与真实势能的相似性和所得ML模型的预测准确性。我们报告了BAML模型性能的数值证据,这些模型是在电子相关和密度泛函理论水平上为数千个小有机分子预先计算的分子性质上训练的。研究的性质包括原子化的自由能、热容、零点振动能、偶极矩、极化率、HOMO/LUMO能量和能隙、电离势、电子亲和势和电子激发。经过训练后,BAML能够以前所未有的精度和速度预测样本外分子的能量或电子性质。
2016-08-31 physics.chem-ph
Teachers that teach the irrelevant: Pre-training machine learned interaction potentials with classical force fields for robust molecular dynamics simulations
University of California, Berkeley(加州大学伯克利分校);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
本文提出利用低质量的单分子非反应力场数据预训练,结合小量高成本标签进行微调,提升分子动力学模拟的稳定性与准确性。
2026-04-08 physics.chem-ph
A Simple Model For Scalar Relativistic Corrections To Molecular Total Atomization Energies
对第一和第二排分子原子化能的标量相对论修正可以用一个简单的加性模型来合理化,该模型与原子布居数的变化呈线性关系。在200个第一行和第二行分子的样本中,这样的模型可以解释超过98%的方差(第一行子集为99%)。剩下的误差可以通过增加一个涉及p原子布居数变化的项再次减半:这些系数不需要拟合,但可以从原子电子亲和势计算中固定下来。这个模型允许一个相当准确的先验估计的重要性标量相对论修正的反应能,在基本上为零的计算成本。虽然这不能取代道格拉斯-克罗尔-赫斯(DKH)或精确的两个组件(X2 C)相对论修正的显式计算,该模型提供了一个解释工具的化学分析标量相对论贡献的反应能。
2018-07-25 physics.chem-ph
Eliminating Delocalization Error to Improve Heterogeneous Catalysis Predictions with Molecular DFT+U
近似的半局域密度泛函理论(DFT)是已知的低估表面形成能,但矛盾的过度绑定吸附在催化过渡金属氧化物表面,由于离域误差。低成本的DFT+U方法仅提高了前过渡金属氧化物的表面形成能或后过渡金属氧化物的吸附能。在这项工作中,我们证明了这种无效性是由于传统的使用金属中心的原子轨道作为DFT+U中的投影仪。我们分析表面形成过程中的电子密度重排和金红石过渡金属氧化物上的O原子吸附,以强调当相应的密度重排在金属和氧位点高度离域时,标准的DFT+U校正无法调整性能。为了同时改善这两种表面性质,同时保持单位点DFT+U校正的简单性,我们系统地构建了DFT+U的多原子中心分子轨道类投影仪。我们展示了这种分子DFT+U方法,用于调整代表性早期(即,TiO 2)和后期(即,PtO2)过渡金属氧化物。分子DFT+U同时校正了金红石型TiO 2(110)和Pt O2(110)多层模型的吸附能和表面形成能,解决了半局域DFT对表面稳定性和表面反应性的矛盾描述。
2021-11-23 cond-mat.mtrl-sci physics.chem-ph
How accurate are simulations and experiments for the lattice energies of molecular crystals?
本文利用扩散蒙特卡洛方法计算 X23 全部 23 种分子晶体的晶格能,证明高精度显式相关电子结构计算已至少与实验推导结果同样可靠。
2024-02-20 cond-mat.mtrl-sci physics.chem-ph
Charge Transfer in Classical Molecular Dynamics Simulations of Met-enkephalin: Improving Traditional Force Field with Data Driven Models
电荷转移和极化效应是生物分子机理描述的重要组成部分。经典的定点电荷力场不能考虑原子电荷与结构变化之间不可忽略的相关性。在这项工作中,高通量从头计算的五肽甲硫氨酸脑啡肽(MetEnk)显示,几何依赖的残基之间的电荷转移是显着的数以万计的构象。我们提出了一个数据驱动的模型与机器学习算法来解决几何相关的电荷波动问题。该数据驱动模型可以直接提供MetEnk任意结构的从头算能级原子电荷,避免了在极化力场中的自洽迭代。分子动力学模拟表明,数据驱动模型提供了一个可能的选择,以描述显式的电荷通量与现有的经典力场的微小修改。这一工作为今后寡肽的动力学模拟提供了一种可供选择的分子机理模型。
2018-02-28 physics.bio-ph physics.chem-ph
Learning data efficient coarse-grained molecular dynamics from forces and noise
本文提出将基于力的训练与去噪得分匹配相统一,用于机器学习粗粒化分子动力学力场,在保持力参数化优势的同时将数据需求降低100倍,并在Trp-Cage和NTL9蛋白上验证了方法。
2024-07-01 physics.bio-ph physics.chem-ph
Exploring molecular dynamics with forces from n-body potentials using Matlab
我们提出的方法,探索性研究的分子动力学使用MATLAB。这种方法不适合大规模应用,但它们可以用于开发和测试新型交互和模拟的其他方面,或者仅仅用于教学和教育目的。在此框架下,我们还探讨了在分子动力学中从三体势得到的力。这些方法是基于矩阵和多维数组的使用,MATLAB有一组基于线性代数的操作和元素操作。三体相互作用的应用是这项工作的主要方面,但扩展到任何一般形式的n体相互作用也进行了讨论。使用最新版本的GNU OCTAVE软件包作为MATLAB的替代品,也可以在不做任何更改的情况下应用所讨论的方法。代码示例列出了一些细节,MATLAB和OCTAVE代码的完整包可供下载。
2009-11-23 physics.chem-ph
Molecular Energy Relations From Chemical Kinetics
由于分子能量转换在最基本的水平上负责化学反应速率,因此化学动力学应该提供一些关于分子能量的信息。这是本说明的前提和目的。我们描述了动力学速率方程的哈密顿公式,其中浓度是广义坐标,共轭动量与单个平均分子能量简单相关。简单的例子,所得到的能量关系自然包括非平衡反应。分析预测了复合分子的热搅拌增加其解离速率的合理结果。
2007-06-06 physics.chem-ph
Quantum Machine Learning of Molecular Energies with Hybrid Quantum-Neural Wavefunction
提出混合量子-神经波函数框架,结合量子电路与深度神经网络学习分子波函数,在数值与超导量子实验上实现近化学精度,并具强抗噪性。
2025-09-09 physics.chem-ph quant-ph
Rapid and accurate molecular deprotonation energies from quantum alchemy
我们评估的适用性,炼金术微扰密度泛函理论(APDFT)快速,准确地估计去质子化的能量。我们已经考虑了从QM 9中随机抽取的100个小有机分子中所有可能的单和双去质子化[Ramakrishnan et al,JCTC 2015]。在HF/def ~ 2-TZVP和CCSD/6- 31 G ~* 水平上给出了5 '160去质子化的数值证据。我们表明,微扰展开形式主义的APDFT迅速收敛到可靠的结果:使用CCSD电子密度和衍生物,经常Hartree-Fock优于在第二或第三顺序排列所有可能的双或单去质子化分子,分别。CCSD单次去质子化能在三级APDFT中平均重现在1.4kcal/mol以内。我们介绍了一种混合的方法,APDFT的计算成本降低,甚至进一步混合一阶项在更高的理论水平(CCSD)与高阶项在较低的理论水平(HF)。我们发现,这种方法达到2千卡/摩尔的准确性,在绝对去质子化能量相比,CCSD在2%的计算成本的三阶APDFT。
2019-12-20 physics.chem-ph
How Accurate Are DFT Forces? Unexpectedly Large Uncertainties in Molecular Datasets
University of Cambridge(剑桥大学)
该研究针对通用机器学习原子间势训练依赖的DFT数据精度问题,分析多个常用分子数据集的净力与力分量误差,发现存在显著误差,强调了DFT数据充分收敛的重要性。
2025-10-22 physics.chem-ph
Force switching and potential shifting lead to significant cutoff dependence in alchemical free energies
本研究通过Lennard-Jones球、GROMACS模拟的水中蒽等模型系统,探索力切换、势能移动等方法对炼金术自由能计算的影响,发现势能切换与埃瓦尔德求和的溶剂化自由能基本无截断依赖性,而力切换与势能移动存在显著截断依赖性。
2025-04-17 physics.chem-ph
May the Force be with You: Unified Force-Centric Pre-Training for 3D Molecular Conformations
Georgia Institute of Technology(佐治亚理工学院);University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出统一力中心预训练模型,覆盖平衡与非平衡构象,提升力预测精度3倍,解决MD模拟不稳定问题,推理比NequIP快2.45倍。
2023-08-24 cs.AI cs.LG physics.chem-ph
Improved prediction of molecular response to pulling by combining force tempering with replica exchange methods
本文提出将FISST方法与温度副本交换或溶质回火结合的混合方法,以更稳健地预测微小皮牛顿力对分子系统的影响并加速构象采样。
2023-10-18 cond-mat.stat-mech physics.bio-ph physics.chem-ph