Gaussian Moments as Physically Inspired Molecular Descriptors for Accurate and Scalable Machine Learning Potentials
机器学习技术允许将原子位置和核电荷直接映射到势能面,具有几乎从头算的准确性和经验势的计算效率。在这项工作中,我们提出了一种机器学习方法来构建高维势能面的基础上前馈神经网络。作为神经网络的输入,我们提出了一个可扩展的不变的局部分子描述符构造的几何矩。它们通过成对距离向量和张量收缩的公式化允许在图形处理单元(GPU)上非常有效地实现。原子种类被编码在分子描述符中,这允许限制到一个神经网络来训练数据集中的所有原子种类。我们证明了所开发的方法在表示化学和构型空间方面的准确性与几个已建立的机器学习模型之一相当。由于其高精度和高效率,所提出的机器学习势可以用于任何进一步的任务,例如分子几何形状的优化,速率常数或分子动力学的计算。
2021-09-15 physics.comp-ph stat.ML
Insights on molecular P implantation for scalable spin-qubit arrays
Accelerator Laboratory, University of Helsinki(赫尔辛基大学加速器实验室)
针对硅基自旋量子比特阵列中磷原子精确可扩展排布的难题,本文采用分子动力学研究PF2分子离子注入方案,发现分子仅因表面a-SiO2层立即解离,且电子信号强度与P穿透深度无必然关联,为降低排布不确定性提供了新见解。
2024-08-14 physics.comp-ph quant-ph
Molecular dynamics simulation of the transformation of Fe-Co alloy by machine learning force field based on atomic cluster expansion
本研究采用原子簇展开(ACE)方法结合第一性原理DFT计算,成功构建了二元Fe-Co合金的机器学习力场,并通过分子动力学模拟准确预测了其相变范围。
2023-03-01 cond-mat.mtrl-sci physics.comp-ph
Non-uniqueness of local stress of three-body potentials in molecular simulations
微观应力场被广泛用于分子模拟以理解力学行为。近年来,人们提出了将多体力分解为相互作用粒子间有心力对的方法。在这里,我们引入了一个力中心的三体势,并提出不同的力分解,也满足守恒的平移和角动量。我们比较力的分解应力分布的大小,并讨论他们的差异,在双层膜的应力分布使用粗粒度和原子分子动力学模拟。
2016-10-31 cond-mat.soft physics.comp-ph
Scalable and fast heterogeneous molecular simulation with predictive parallelization schemes
多尺度和非均匀分子系统是分子模拟领域中具有挑战性的课题。特别是,在多尺度模拟和探索材料特性的背景下对生物系统进行建模,正在推动新的模拟方法和优化算法的永久发展。在计算方面,这些方法需要并行化方案,使每一个模拟和从它的起源计算资源的生产性使用。在这里,我们介绍了异质区域分解方法,这是一个异质性敏感的空间区域分解的子域壁的\textit{a priori}重排相结合。在这种方法中,力的计算时间的理论建模和缩放律的建议和研究作为粒子的数量和空间分辨率的函数。我们还展示了新的方法的能力,通过比较它的静态域分解算法和动态负载平衡计划。具体而言,两个代表性的分子系统进行了模拟和比较,在这项工作中提出的非均相区域分解。这两个系统包括在水中溶解的生物分子的自适应分辨率模拟和相分离的二元Lennard-Jones流体。
2017-11-09 cond-mat.soft physics.comp-ph
Deep Potential Molecular Dynamics: a scalable model with the accuracy of quantum mechanics
Princeton University(普林斯顿大学);Institute of Applied Physics and Computational Mathematics(应用物理与计算数学研究所);CAEP Software Center for High Performance Numerical Simulation(中国工程物理研究院高性能数值模拟软件中心);Peking University(北京大学)
我们介绍了一种分子模拟方案,即深势分子动力学(DeePMD)方法,该方法基于由从头算数据训练的精心制作的深度神经网络产生的多体势和原子间力。神经网络模型保留了问题中的所有自然对称性。它是“基于第一原理”的,因为除了网络模型之外,没有特别的组件。我们表明,该方案提供了一个有效的和准确的协议,在各种系统,包括散装材料和分子。在所有这些情况下,DeePMD给出的结果基本上与原始数据无法区分,其成本与系统大小呈线性关系。
2017-12-12 cs.LG physics.chem-ph physics.comp-ph
Molecular Force Fields with Gradient-Domain Machine Learning: Construction and Application to Dynamics of Small Molecules with Coupled Cluster Forces
我们使用最近开发的对称梯度域机器学习(sGDML)方法[Chmiela等人,国家通信9,3887(2018); Sci. 3,e1603015(2017)]。这种方法能够准确地重建复杂的高维势能面,从从头计算分子动力学轨迹提取的分子构象只有几百个。sGDML方法的数据效率意味着这些构象的原子力可以用高水平的基于波函数的方法计算,例如“金标准”CCSD(T)方法。我们证明了sGDML模型的灵活性恢复本地和非本地的电子相互作用(如氢键,质子转移,孤对,在杂交状态的变化,空间排斥和$n\toπ^*$相互作用),而不施加任何限制的性质原子间的潜力。sGDML分子动力学轨迹的分析产生了新的定性的见解接近光谱精度的小分子的动力学和光谱。
2019-02-01 physics.chem-ph physics.comp-ph physics.data-an
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
Symmetry-adapted graph neural networks for constructing molecular dynamics force fields
Tsinghua University(清华大学);Carnegie Mellon University(卡内基梅隆大学);Institute for Advanced Study, Tsinghua University(清华大学高等研究院);Frontier Science Center for Quantum Information(量子信息前沿科学中心);RIKEN Center for Emergent Matter Science (CEMS)(理化学研究所新兴物质科学中心(CEMS))
分子动力学是探索材料性质的一种强有力的模拟工具。大多数现实物质系统都太大,无法用第一性原理分子动力学模拟。经典的分子动力学具有较低的计算成本,但需要精确的力场来实现化学精确度。在这项工作中,我们开发了一个自适应的图神经网络框架,命名为分子动力学图神经网络(MDGNN),自动构建力场的分子动力学模拟的分子和晶体。这种结构在模拟中始终保持平移、旋转和置换不变性。我们提出了一个新的功能工程方法,包括高阶的贡献,并表明MDGNN准确再现经典和第一原理分子动力学的结果。我们还证明了由该模型构造的力场具有良好的可移植性。因此,MDGNN为大规模系统的高精度分子动力学模拟提供了一个有效的和有前途的选择。
2021-01-08 cond-mat.dis-nn cs.LG 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
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
A Scalable, Linear-Time Dynamic Cutoff Algorithm for Molecular Dynamics
最近在超级计算机上的结果表明,超过65 K的核心,界面系统的分子动力学模拟的效率显着下降。本文介绍了一种适用于任意大尺寸界面体系的动态截断法(DCM)。该想法包括采用基于截止的方法,其中根据与界面的距离,在逐颗粒的基础上选择截止。在计算上,挑战从远程求解器转移到界面的检测和粒子界面距离的计算。对于这些任务,我们提出了线性时间算法,不依赖于全球通信模式。因此,DCM算法适用于大型粒子系统和大规模并行计算机。为了证明其潜力,我们将DCM集成到LAMMPS开源分子动力学包中,并在两台超级计算机SuperMuc和JUQUEEN上模拟大型液体/蒸汽系统。在所有情况下,DCM的精度与传统的粒子-粒子-网格(PPPM)算法相当,而对于大量的粒子,性能要优越得多。对于JUQUEEN,我们提供了在整个系统(458,752个核心)上运行的模拟时间,并显示了近乎完美的强弱缩放。
2017-01-18 cs.CE physics.comp-ph
Scalable photoexcitation-induced molecular dynamics with machine-learned Hamiltonians
Beijing National Laboratory for Condensed Matter Physics and Institute of Physics, Chinese Academy of Sciences(中国科学院物理研究所);School of Physical Sciences, University of Chinese Academy of Sciences(中国科学院大学物理科学学院);Songshan Lake Materials Laboratory(松山湖材料实验室)
本文提出TDAP-eML框架,整合机器学习电子结构与原子传播,可模拟光激发诱导的晶格动力学,在大系统中计算成本降低近三个数量级,关联非平衡激发与光诱导力及实验可观测值。
2026-08-24 cond-mat.mtrl-sci physics.comp-ph
Machine learning force fields and coarse-grained variables in molecular dynamics: application to materials and biological systems
机器学习包含一组工具和算法,现在几乎在所有科学和技术领域都变得流行。分子动力学也是如此,机器学习有望从复杂系统模拟产生的大量数据中提取有价值的信息。我们在这里提供了一个回顾我们目前的理解的目标,好处和限制的机器学习技术的计算研究原子系统,侧重于从从头算数据库的经验力场的建设和自由能计算和增强采样的反应坐标的确定。
2020-04-15 physics.comp-ph q-bio.BM
Shadow Ansatz for the Many-Fermion Wave Function in Scalable Molecular Simulations on Quantum Computing Devices
本文提出阴影拟设,利用阴影层析成像从收缩薛定谔方程残差生成精确的多费米子波函数拟设,在模拟器和量子设备上对H₃验证了其减少测量和电路深度的优势。
2024-08-20 physics.chem-ph physics.comp-ph quant-ph
Using Graph Partitioning for Scalable Distributed Quantum Molecular Dynamics
在原子水平上模拟多体系统的物理运动,从电子的量子力学描述计算力,激发了本文研究的图分割问题。几个先进的算法依赖于矩阵多项式的评价已发表在文献中,这样的模拟。我们的目标是使用一种特殊类型的图分区,以有效地并行这些计算。为此,我们创建了一个表示阈值密度矩阵的零-非零结构的图,并将该图划分为几个分量。然后将每个单独的子矩阵(对应于每个子图)代入矩阵多项式,并在最后从各个多项式重新组合完整矩阵多项式的结果。本文首先介绍了一个严格的定义,以及这个划分问题的数学理由。我们评估几种方法来计算图形分区的性能方面的质量的分区和他们的运行时间。
2019-09-07 physics.comp-ph quant-ph
Atomic Permutationally Invariant Polynomials for Fitting Molecular Force Fields
我们介绍并探索了一种用于构建小分子力场的方法,该方法将直观的低体阶经验力场项与最近机器学习潜力的数据驱动统计拟合的概念相结合。我们将这两个关键思想结合在一起,以弥合一方面具有高度可转移性的已建立经验力场与另一方面可系统改进并可收敛到非常高精度的机器学习潜力之间的差距。我们的框架扩展了原子置换不变多项式(aPIP)开发的元素材料[马赫。学习.格:Sci. 2019 1 015004]中描述的分子系统。体序分解使我们能够保持每个项的维数较低,而使用迭代拟合方案以及正则化程序可以提高训练集外的外推。我们调查aPIP力场与广义4体条款,并检查一组小的有机分子的性能。在拟合单个分子时,我们实现了高水平的准确性,可与多体机器学习力场的准确性相媲美。拟合到短直链烷烃的组合训练集,aPIP力场的准确性仍然显著超过从经典经验力场可以预期的,同时保留到远离训练集和新分子的两种配置的合理可转移性。
2020-10-23 physics.chem-ph physics.comp-ph
Coarse-graining molecular dynamics: stochastic models with non-Gaussian force distributions
将原子和分子信息转化为细胞行为的模型是具有挑战性的,因为在原子和细胞水平上发生的过程之间在空间和时间尺度上存在巨大的分离。多尺度或多分辨率方法通过在细胞的不同部分使用分子动力学(MD)和粗粒度模型来解决这个困难。它们的适用性取决于近似详细MD描述的粗粒度模型的精度和属性。提出了一类随机粗粒化(SCG)模型,该模型可表示为相对低维的非线性随机微分方程组。非线性SCG模型采用了非高斯力分布,这是在MD模拟中观察到的,不能用线性模型来描述。结果表明,非线性可以选择这样一种方式,他们不复杂的参数化的SCG描述详细的MD模拟。SCG模型的解决方案中发现的伽马函数。
2019-08-27 physics.comp-ph q-bio.QM
A Scalable Molecular Force Field Parameterization Method Based on Density Functional Theory and Quantum-Level Machine Learning
快速准确的分子力场参数化是一个尚未解决的问题。准确的FF通常不适用于所有分子,如新型药物样分子。虽然存在基于量子力学(QM)的方法来以更好的精度对它们进行参数化,但它们在计算上昂贵且缓慢,这限制了对少量分子的适用性。在这里,我们提出了一个自动FF参数化方法,它可以利用DFT计算或近似QM能量产生不同的神经网络电位(NNPs),以获得改进的分子参数。我们证明,对于torchani-ANI-1x NNP的情况下,我们可以参数化的小分子在一小部分的时间相比,使用DFT QM计算的等效参数化,同时产生更准确的参数比FF(GAFF 2)。我们希望我们的方法是至关重要的计算结构为基础的药物发现。当前版本可在PlayMolecule(www.playmolecule.org)上获得,并在HTMD中实现,允许使用不同的QM和NNP选项对分子进行参数化。
2019-08-03 physics.bio-ph 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
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
Scalable molecular simulation of electrolyte solutions with quantum chemical accuracy
本研究结合密度泛函理论与等变神经网络势能,实现了电解质溶液的可扩展且具有量子化学精度的分子模拟,成功重现了结构、热力学和动力学性质,并发现了Li阳离子二聚体等异常现象。
2024-11-15 cond-mat.dis-nn cond-mat.soft cond-mat.stat-mech
Accelerated molecular dynamics force evaluation on graphics processing units for thermal conductivity calculations
在本文中,我们开发了一个高效的分子动力学代码完全实现的图形处理单元的热导率计算使用的绿色久保公式。我们比较了两种不同的力评估方案,一种是以前使用的线程方案,其中单个线程用于一个粒子,每个线程计算相应粒子的总力,以及一种新的块方案,其中整个块用于一个粒子,并且块中的每个线程计算与给定块相关联的粒子与其相邻粒子之间的一个或多个力对,与给定线程关联。对于这两种方案,两个不同的经典势,即,Lennard-Jones势和刚性离子势的实施。虽然线程方案在相对较大的系统中表现稍好,但块方案在相对较小的系统中表现得更好。随着截止半径的增大,块方案相对于螺纹方案的相对性能也有所提高。我们通过计算固体氩和碲化铅的晶格热导率来验证该实现。
2013-03-13 cond-mat.mtrl-sci physics.comp-ph
On standardised moments of force distribution in simple liquids
研究了正则系综下Lennard-Jones流体中标记原子的力分布,重点研究了力分布与流体固有物理参数:数密度($n$)和温度($T$)的关系.利用分子动力学模拟的Lennard-Jones流体的结构信息,明确的解析表达式的依赖性标准化的力矩$n$和$T$的推导。在小密度($n \rightarrow 0$)和低温($T \rightarrow 0$)的极限情况下,得到了力分布的标准化矩的领先顺序行为,而在标准化矩的变化进行了探测一般$n$和$T$使用分子动力学模拟。聚类效应被认为是在分子动力学模拟和他们的影响,这些标准化的时刻进行了讨论。
2021-12-20 cond-mat.soft physics.comp-ph
Velocity, temperature and normal force dependence on friction: An analytical and molecular dynamic study
在这项工作中,我们提出了一个扩展的分析一维模型提出的E。Genecco(Phys. Rev. Lett. 84:1172)来描述摩擦。我们的模型包括法向力和物体在表面上拖动的运动的角度方向的依赖性。在模型中存在的法向力,使我们能够明智地定义摩擦系数,而不是引入它作为一个{ \sl后验}的概念。我们比较了分析结果与分子动力学模拟。模拟模型对应于尖端在表面上滑动。尖端被模拟为通过Lennard-Jones $(6-12)$势与表面相互作用的单个粒子。该表面被认为是由规则的BCC(001)排列的粒子通过Lennard-Jones $(6-12)$势相互作用组成。我们研究了在速度、温度和法向力等多种条件下的系统。我们的分析结果与模拟结果和E. Riedo(Phys. Rev. 91:084502)和Eui-Sung Yoon(Wear 259:1424-1431)。
2007-12-03 physics.class-ph physics.comp-ph
Ab-Initio Molecular Dynamics with Screened Lorentz Forces. Part I. Calculation and Atomic Charge Interpretation of Berry Curvature
分子在磁场中的动力学与零磁场中的分子有很大的不同。有场时的一个重要区别是作用在原子核上的洛伦兹力,它可以分解为裸原子核的洛伦兹力和电子产生的屏蔽力之和。这个筛选力是根据Berry曲率计算的,可以定性地改变动力学。因此在磁场中的分子动力学模拟中考虑Berry曲率的贡献是很重要的。在这项工作中,我们提出了一个计划,计算Berry曲率数值,通过有限差分技术,解决与任意全球相位的波函数的挑战。Berry曲率作为键距的函数计算H $_2$在限制和非限制Hartree-Fock理论水平和CH $^{+}$作为磁场强度的函数在限制Hartree-Fock理论水平。计算是使用基组的收缩高斯函数配备伦敦相位因子(伦敦轨道),以确保规范原点不变性。在本文中,我们还解释了Berry曲率的原子电荷,并讨论了它的收敛基组有和没有伦敦相因子。Berry曲率的计算允许其包含在磁场中的\textit{ab initio}分子动力学模拟中。
2021-04-30 physics.chem-ph physics.comp-ph
On the role of gradients for machine learning of molecular energies and forces
任何机器学习潜力的准确性只能与拟合过程中使用的数据一样好。因此,最有效的模型选择与获得训练数据的成本相比将产生最高准确度的训练数据。我们研究了在能量和力标签上训练的有机分子的量子机器学习模型的预测误差的收敛性,这是分子模拟中两种常见的数据类型。当训练和预测对应于相同单个分子的不同几何形状时,我们发现,与仅训练能量的模型相比,在训练数据中包含原子力将预测能量和力的准确性提高了7倍。令人惊讶的是,对于在非平衡构象中不同大小和组成的有机分子集合上训练的模型,在训练中包含力并不能提高新构象中看不见的分子的预测能量。然而,预测力也提高了约7倍。对于所研究的系统,我们发现,力标签和能量标签的贡献相等,每个标签的预测误差的收敛。因此,选择是否在训练集中包含原子力等导数不仅取决于获取用于训练的力标签的计算成本,还取决于应用领域、感兴趣的属性以及机器学习模型的期望大小。根据我们的观察,我们描述了创建分子势能面数据集的关键考虑因素,这些数据集可以最大限度地提高所得机器学习模型的效率。
2020-07-19 physics.chem-ph physics.comp-ph
DD-03B: Target-level analysis of ligand-protein dissociation pathways reveals ligand-specific exit pathways weakly coupled to binding affinity
Institute of Systems and Physical Biology, Shenzhen Bay Laboratory(深圳湾实验室系统与物理生物学研究所)
本文提出DD-03B数据库,通过原子级模拟生成19,037个配体-蛋白质复合物的动态解离轨迹,揭示三种解离机制类型,为训练生成式AI模型提供基础数据。
2026-11-16 physics.chem-ph physics.comp-ph
Follow the MEP: Scalable Neural Representations for Minimum-Energy Path Discovery in Molecular Systems
Goethe University Frankfurt(法兰克福歌德大学);Frankfurt Institute for Advanced Studies(法兰克福先进研究所);CBMM MIT(MIT计算生物学与医学中心);The Hessian Center for AI(黑森人工智能中心)
本文提出将最小能量路径发现重构为神经优化问题,利用隐式神经表示、可微分子力场和AdaPath架构,在标准GPU上几分钟内即可发现大型生物分子体系的MEP,替代传统耗时的采样方法。
2025-09-18 cs.AI 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
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
Learning inducing points and uncertainty on molecular data by scalable variational Gaussian processes
Institute for Chemical Reaction Design and Discovery (WPI-ICReDD)(化学反应设计与发现研究所(WPI-ICReDD));Hokkaido University(北海道大学);National Institute for Materials Science(物质・材料研究机构)
本文研究如何利用可扩展变分高斯过程中的诱导点学习,在分子数据上同时实现不确定性控制与大规模可扩展性,并通过实验证明该方法能有效提升能量和原子力预测性能。
2024-02-20 cs.LG physics.chem-ph physics.comp-ph
Differentiable Rotamer Sampling with Molecular Force Fields
Penn State University(宾夕法尼亚州立大学);Penn State College of Medicine(宾夕法尼亚州立大学医学院)
本文为玻尔兹曼生成器建立数学基础,证明其可快速替代传统分子动力学进行蛋白质等复杂大分子的旋转异构体采样,并提供神经网络探索分子能量景观的工具包。
2023-02-22 cs.AI physics.bio-ph physics.comp-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
Efficient molecular dynamics simulations with many-body potentials on graphics processing units
图形处理单元已被广泛用于加速经典的分子动力学模拟。然而,在加速多体势的力评估方面的进展要比成对的少得多。在传统的多体势力评估算法中,给定原子的力、维里应力和热流在不同的循环中累积,这可能会导致CUDA内核中不同线程之间的写冲突。在这项工作中,我们提供了一种新的力评估算法,该算法基于最近导出的多体势的显式成对力表达式[Phys. Rev. B 92(2015)094301]。在我们的算法中,力,维里应力,和热流为一个给定的原子可以在一个线程内积累,是免费的写冲突。我们讨论的配方和算法,并评估其性能。一个新的开源代码,GPUMD,开发的基础上提出的配方。对于Tersoff多体势,使用Tesla K40卡的GPUMD的双精度性能相当于使用约100个CPU核心(Intel Xeon CPU X5670@2.93 GHz)运行的LAMMPS(大规模原子/分子大规模并行模拟器)分子动力学代码的性能。
2017-06-25 cond-mat.mtrl-sci cs.CE physics.comp-ph
Force and heat current formulas for many-body potentials in molecular dynamics simulation with applications to thermal conductivity calculations
我们推导了多体势如Tersoff势、Brenner势和Stillinger-Weber势的原子间力和热流的表达式,这些势广泛应用于共价键合材料的分子动力学模拟。虽然这些势具有多体性质,但遵循牛顿第三定律的成对力表达式可以在不涉及势的任何分区的情况下找到。基于该力公式,可以明确地定义适用于周期系统的应力。力的公式,然后可以用来推导热流公式使用自然电位分割。我们的热流公式被发现是相当于大多数的看似不同的热流公式在文献中使用,但偏离应力为基础的公式来自两体势。我们验证我们的配方数值上描述的Tersoff势,即三维硅和金刚石,二维石墨烯,和准一维碳纳米管的各种系统。在模拟中使用的细胞大小和时间的影响进行了检查。
2015-03-23 cond-mat.mes-hall cond-mat.mtrl-sci physics.comp-ph
MolMod: An open access database of force fields for molecular simulations of fluids
介绍了MolMod数据库,该数据库可在www.example.com上公开访问,目前包含超过150种纯流体的分子间力场。它由Boltzmann-Zuse Society for Computational Molecular Engineering(BZS)开发和维护。MolMod数据库中的一组分子模型为流体的分子模拟提供了一个连贯的框架。MolMod数据库中的分子模型包括Lennard-Jones相互作用位点、点电荷、点偶极和点四极,它们可以等效地由多个点电荷表示。力场可以导出为模拟程序ms2和ls1 martyn、Gromacs和LAMMPS的输入文件。为了解释与数值数据库内容相关的语义,引入了一种力场命名法,该命名法也可用于原子和介观层面的材料建模中的其他上下文中。包括在数据库中的纯物质的模型通常是优化的,例如产生良好的代表性的实验数据的汽-液平衡,重点是蒸汽压和饱和液体密度。在许多情况下,模型也产生良好的预测纯流体的热量,运输和界面性质。对于所有模型,提供了开发它们的原始作品的参考。该模型可以直接用于预测流体混合物的性质,使用已建立的组合规则。输入误差是仿真中的主要误差源。MolMod数据库有助于减少此类错误。
2019-04-09 cond-mat.mes-hall cond-mat.soft physics.comp-ph
Forces are not Enough: Benchmark and Critical Evaluation for Machine Learning Force Fields with Molecular Simulations
Massachusetts Institute of Technology(麻省理工学院);Northwestern University(西北大学);Microsoft Research(微软研究院)
该研究针对现有机器学习力场多以力/能量误差为基准、与实际分子动力学模拟需求脱节的问题,构建了覆盖多体系的新型基准套件与对应指标,测试发现力精度与模拟指标匹配度低,指出稳定性是核心改进方向,并配套开源代码库。
2023-08-26 cs.LG physics.chem-ph physics.comp-ph
Ensemble Learning of Coarse-Grained Molecular Dynamics Force Fields with a Kernel Approach
连续域机器学习(GDML)是一种基于核岭回归算法的精确、高效的分子势和力场学习方法。在这里,我们展示了它的应用程序学习一个有效的粗粒度(CG)模型,从所有原子模拟数据中的样本有效的方式。通过遵循热力学一致性原理来学习粗粒度力场,这里通过最小化预测的粗粒度力与粗粒度坐标中的所有原子平均力之间的误差来学习粗粒度力场。直接通过GDML解决这个问题是不可能的,因为粗粒度需要对许多训练数据点进行平均,从而导致存储核矩阵的内存需求不切实际。在这项工作中,我们提出了一个数据效率和内存节省的替代方案。使用集成学习和分层采样,我们提出了一个2层的训练方案,使GDML学习一个有效的粗粒度模型。我们说明我们的方法在一个简单的生物分子系统,丙氨酸二肽,通过重建的自由能景观的粗粒度的变体,这个分子。当训练集很小时,我们的新GDML训练方案产生比神经网络更小的自由能误差,当训练集足够大时,我们的新GDML训练方案产生更高的精度。
2020-05-04 physics.chem-ph physics.comp-ph stat.ML
Hierarchical geometric deep learning enables scalable analysis of molecular dynamics
Department of Chemistry(化学系);James Franck Institute, University of Chicago(詹姆斯·弗兰克研究所,芝加哥大学)
层次化几何深度学习通过聚合局部信息,实现了对大规模分子动力学模拟的高效分析,提高了性能和可解释性。
2025-12-06 cond-mat.stat-mech cs.LG physics.comp-ph
Accelerated ab-initio Molecular Dynamics: probing the weak dispersive forces in dense liquid hydrogen
我们提出了一种从头算分子动力学方法,能够大大减少在有限温度下模拟经典和量子粒子所需的自相关时间。该方法是基于一个有效的实施一阶朗之万动力学修改通过一个合适的,位置相关的加速度矩阵$S$。在这里,我们应用这种技术,在量子蒙特卡罗(QMC)为基础的波函数的方法和Born-Oppheneimer近似内,用于确定高压氢的相图与模拟远长于自相关时间。与所提出的方法,我们能够平衡在几百个步骤,甚至接近液-液相变(LLT)。在我们的方法中,我们发现,LLT过渡是一致的,最近的密度泛函预测一个更大的过渡压力时,考虑到长程色散力。
2016-07-07 cond-mat.mtrl-sci cond-mat.stat-mech cond-mat.str-el