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
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
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
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
Accurate and scalable multi-element graph neural network force field and molecular dynamics with direct force architecture
最近,机器学习(ML)已被用于解决计算成本,限制了从头算分子动力学(AIMD)。在这里,我们提出了GNNFF,一个图神经网络框架,从自动提取的局部原子环境的特征中直接预测原子力,这些特征对原子的坐标是旋转不变的,但旋转协变的。我们证明了GNNFF不仅在各种材料系统的力预测精度和计算速度方面实现了高性能,而且在从较小系统获得的力上训练后,还准确地预测了大型MD系统的力。最后,我们使用我们的框架进行MD模拟的Li7P3S11,一个超离子导体,并表明,得到的Li扩散系数是直接从AIMD获得的14%以内。GNNFF所表现出的高性能可以很容易地推广到研究其他材料系统的原子级动力学。
2020-07-28 physics.comp-ph
OpenMM-Python-Force: Deploying Accelerated Python Modules in Molecular Dynamics Simulation
本文提出 OpenMM-Python-Force 插件,通过回调机制集成外部 Python 程序的能量与力计算,支持 torch.Tensor 和 numpy.ndarray 数据交换,实现了加速 Python 模块在分子动力学模拟中的无缝集成。
2024-12-24 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
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
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
Homogeneous nucleation in supersaturated vapors of methane, ethane, and carbon dioxide predicted by brute force molecular dynamics
采用分子动力学(MD)方法模拟了甲烷、乙烷和二氧化碳过饱和蒸汽的冷凝过程。用大规模并行MD程序对具有多达一百万个粒子的系统进行了模拟。这导致了可靠的统计数据,并使成核速率下降到10^30/(m^3 s)的数量级,可用于直接模拟方法。将模拟结果与经典成核理论(CNT)以及Laaksonen、Ford和Kulmala(LFK)的理论进行比较,该理论引入了比表面能的尺寸依赖性。CNT在整个研究温度范围内出色地描述了乙烷和二氧化碳的成核,而LFK在低温下提供了更好的甲烷成核方法。
2009-04-06 physics.chem-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
Ab-Initio Molecular Dynamics with Screened Lorentz Forces. Part II. Efficient Propagators and Rovibrational Spectra in Strong Magnetic Fields
强磁场对分子的动力学有很大的影响。除了电子结构的变化之外,原子核还受到洛伦兹力的作用,磁场被电子屏蔽。在这项工作中,我们探索这些影响使用从头计算分子动力学模拟的基础上计算的有效哈密顿量在Hartree-Fock理论水平。为了正确地包括这些非保守力的动力学,我们设计了一系列新的传播,表现出良好的效率和稳定性的测试用例。作为第一个应用程序,我们分析了在两个磁场强度的磁白矮星(0.1 $B_0 = 2.35 \times 10^4$ T和$B_0 = 2.35 \times 10^5$ T)的特点,他和H $_2$的模拟。虽然他的模拟清楚地证明了电子屏蔽的洛伦兹力的动力学的重要性,提取的H $_2$的振转光谱揭示了一些迷人的功能,没有观察到在无场的情况下:耦合的旋转/振动与回旋旋转,不寻常的选择规则的泛音,并阻碍旋转转化为振动与增加的场强。我们的结论是,我们提出的框架是一个强大的工具,调查分子在这些极端的环境。
2021-05-10 physics.chem-ph physics.comp-ph
BoostMD: Accelerating molecular sampling by leveraging ML force field features from previous time-steps
University of Cambridge(剑桥大学);InstaDeep(InstaDeep公司)
BoostMD通过复用前一时间步的MLFF节点特征构建轻量代理模型,在MD模拟中每N步才调用参考MLFF,实现八倍加速并准确采样玻尔兹曼分布。
2024-12-21 cond-mat.stat-mech cs.LG physics.chem-ph
Calculation of interatomic forces and optimization of molecular geometry with auxiliary-field quantum Monte Carlo
我们提出了一个精确的,系统的和可扩展的计算原子间的力的算法内的空间场量子蒙特卡罗(AFQMC)方法。该算法依赖于Hellman-Fenyman定理,并在原子轨道基组的存在下结合Pulay校正。我们基准的方法为小分子通过比较计算力的衍生物的AFQMC势能面,并通过直接比较与其他量子化学方法。然后,我们在较大的分子中使用最速下降算法进行几何优化。与现实的基础设置,我们得到的平衡几何形状的协议,统计误差条内,与实验值。在这种方法中,计算力的计算成本的增加只是计算总能量的一个小的前因。这为AFQMC中的几何优化和分子动力学的通用和有效的方法铺平了道路。
2018-03-15 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
Machine Learning of coarse-grained Molecular Dynamics Force Fields
Rice University(莱斯大学);Universitat Pompeu Fabra(庞培法布拉大学)
原子或从头计算分子动力学模拟被广泛用于预测热力学和动力学,并将它们与分子结构联系起来。一个常见的方法,超越时间和长度尺度可访问的计算昂贵的模拟是粗粒度的分子模型的定义。现有的粗粒度方法定义了一个有效的相互作用潜力,以匹配高分辨率模型或实验数据的定义属性。在本文中,我们将粗粒化重新表述为有监督的机器学习问题。我们使用统计学习理论来分解粗粒度误差,并使用交叉验证来选择和比较不同模型的性能。我们介绍了CGnets,这是一种深度学习方法,它可以学习粗粒度的自由能函数,并且可以通过力匹配方案进行训练。CGnets保持所有物理相关的不变性,并允许人们将先前的物理知识,以避免非物理结构的采样。我们表明,CGnets可以捕获所有原子的显式溶剂的自由能表面的模型,只使用一些粗粒珠,没有溶剂,而经典的粗粒化方法未能捕获的自由能表面的关键特征。因此,CGnets能够捕获从降维中出现的多体项。
2019-04-03 cs.LG physics.comp-ph stat.ML
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
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
Analytic nuclear forces and molecular properties from full configuration interaction quantum Monte Carlo
无偏随机抽样的一个和两个机构减少密度矩阵是实现在全配置相互作用量子Monte Carlo的第二个,“副本”合奏的步行者,其人口演变在虚时间独立于第一,只需要适度的额外的计算开销。从这种方法得到的矩阵被证明是代表完整的配置相互作用的质量,因此提供了一个现实的机会,以实现高质量的结果,其运营商不一定与哈密顿量的属性范围。一个密度矩阵制定的准变分能量估计已经提出和研究,目前的工作扩展了理论的范围,采取在分析核力,分子偶极矩和极化率的研究,与广泛的比较,在可能的情况下,精确的结果。这些新的结果证实了抽样技术的适用性,并在有足够大的基组的情况下,实现了与实验值的密切一致,将该方法的范围扩大到新的调查领域。
2015-07-20 cond-mat.str-el physics.chem-ph physics.comp-ph
sGDML: Constructing Accurate and Data Efficient Molecular Force Fields Using Machine Learning
我们提出了最近提出的对称梯度域机器学习(sGDML)模型的优化实现。sGDML模型能够忠实地再现全球势能面(PES)的分子与几十个原子从有限数量的用户提供的参考分子构象和相关的原子力。在这里,我们介绍了一个Python软件包来重建和评估自定义sGDML力场(FF),而不需要深入了解模型的细节。用户友好的命令行界面通过模型创建的完整过程提供帮助,努力使这种新颖的机器学习方法可供广大从业者使用。我们的论文作为文档,但也包括如何重建和使用对乙酰氨基酚PBE 0 +MBD FF的实际应用示例。最后,我们展示了如何将sGDML与FF仿真引擎ASE(Larsen等人,J.物理.康登斯Matter 29,273002(2017))和i-PI(Kapil等人,Comput.物理通信236,214-223(2019))来运行数值实验,包括结构优化、经典和路径积分分子动力学和轻推弹性带计算。
2019-03-02 physics.comp-ph
Drifting to Boltzmann: Million-Fold Acceleration in Boltzmann Sampling with Force-Guided Drifting
Beijing Institute of Mathematical Sciences and Applications(北京国际数学研究中心)
该研究提出力引导漂移模型,通过漂移分数恒等式实现分子构型生成,显著提升玻尔兹曼采样效率,达到百万倍加速并保持结构和分布准确性。
2026-02-26 cs.NA math.NA physics.chem-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
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
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
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
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
Raman Spectra of Titanium Carbide MXene from Machine-Learning Force Field Molecular Dynamics
MXenes代表了最大类别的2D材料之一,在许多领域具有很好的应用前景,并且其性质可通过表面基团组成进行调节。拉曼光谱预计将产生有关表面成分的丰富信息,但事实证明,对测量光谱的解释具有挑战性。解释通常通过与模拟光谱进行比较来完成,但实验和早期模拟光谱之间存在很大差异。在这项工作中,我们开发了一种计算方法来模拟复杂材料的拉曼光谱,该方法结合了机器学习力场分子动力学和通过投影到原始系统模式来重建拉曼张量。该方法可以考虑有限温度,混合表面和无序的影响。我们应用我们的方法来模拟碳化钛MXene的拉曼光谱,并表明所有这些效应必须包括在内,以便正确再现实验光谱,特别是广泛的功能。我们讨论了峰的起源以及它们如何随表面组成而演变,然后可以用来解释实验结果。
2022-09-30 physics.comp-ph
The energetics of force errors in machine-learned molecular dynamics
Beihang University(北京航空航天大学);McGill University(麦吉尔大学);Nanoacademic Technologies Inc.(纳米学术技术有限公司)
本文提出方向性残余功系数,用于量化机器学习分子动力学中力误差的能量效应,并在锂电解质界面验证,为势评估提供物理基础。
2026-09-10 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
Formalizing Atom-typing and the Dissemination of Force Fields with Foyer
提高分子模拟社区再现性的一个关键组成部分是减少分子模型参数化的模糊性。分子模型中的模糊性通常源于分子力场以不可直接使用的格式传播,或者通过非机器可读机制模糊地记录。具体来说,缺乏一个通用的工具来执行自动原子分型的规则下,一个特定的力场促进模型参数化的错误,可能会被忽视,如果其他研究人员无法重现这个过程。在这里,我们介绍了Foyer,这是一个Python工具,它使用户能够以机器和人类可读的格式定义力场原子类型规则,从而消除了原子类型的歧义,并为力场传播提供了一个框架。Foyer以XML格式定义力场,其中SMARTS字符串用于定义特定原子类型的化学背景。在这里,我们描述了Foyer包的底层方法,突出了它相对于典型原子类型化方法的优势,并展示了它在几个用例中的应用。
2018-12-07 cond-mat.soft 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
Adaptive local basis set for Kohn-Sham density functional theory in a discontinuous Galerkin framework II: Force, vibration, and molecular dynamics calculations
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);University of California, Berkeley(加州大学伯克利分校);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
本文基于自适应局部基组在Kohn-Sham密度泛函理论中提出了一种高效的力计算方法,验证了其在不同体系中的准确性,适用于几何优化和分子动力学模拟。
2015-10-22 cs.NA math.NA physics.comp-ph
Anisotropic molecular coarse-graining by force and torque matching with neural networks
本文提出一种基于力与力矩匹配的神经网络粗粒化方法,通过各向异性粒子建模凝聚相分子体系,在苯和六噻吩上以更低计算成本实现了接近全原子精度的结构与相变预测。
2023-01-26 cond-mat.stat-mech physics.comp-ph
Molecular modeling of aqueous electrolytes at interfaces: effects of long-range dispersion forces and of ionic charge rescaling
水性电解质的分子动力学模拟通常依赖于经验力场,结合分散相互作用(由截断的Lennard-Jones(LJ)势描述)和静电相互作用(由用长程求解器计算的库仑势描述)。最近,力场使用重新缩放的离子电荷(电子连续校正,ECC),可能补充与重新缩放的LJ参数(电子连续校正重新缩放,ECCR),已经显示出有前途的结果,在散装,但他们的性能在界面上已经较少探索。在这里,我们开始探索的LJ电位截断的氯化钠水溶液的表面张力的影响。我们发现截断LJ相互作用与一个大的截止和未截断LJ相互作用计算与远程求解器,这可以偏置力场预测与实验比较的数值预测之间的差异。使用LJ相互作用的长程求解器,然后我们表明,选择用于校正长程静电相互作用的离子电荷重新缩放因子也准确地描述了液-气界面处的图像电荷排斥,并且ECCR模型中LJ参数的重新标度-旨在捕获本体中的局部离子-离子和离子-水相互作用-也很好地描述了液体中离子双层的形成-蒸汽界面总的来说,这些结果表明,在界面处的水性电解质的分子建模将受益于使用远程求解分散力,并从使用ECCR模型,其中电荷重新缩放因子应被选择来校正远程静电相互作用。
2020-06-09 cond-mat.soft physics.comp-ph
Poiseuille flow past a nanoscale cylinder in a slit channel: Lubrication theory versus molecular dynamics analysis
平面泊里叶流通过任意限制的纳米级圆柱体(即,对称或不对称限制)通过流体动力润滑理论和分子动力学模拟进行研究,考虑圆柱体保持静止或经历热运动的情况。润滑理论预测的阻力和体积流率是在密切的协议与分子动力学模拟的流动具有分子薄润滑间隙,尽管存在显着的结构力诱导的晶体结构的建模固体。虽然在对称约束中观察到最大阻力,即,当圆柱体与两个通道壁等距时,当圆柱体远离通道中心线并接近壁时,阻力显著衰减。因此,显着减少的平均阻力缸和通道的水力阻力时,可以观察到热运动引起的随机偏心位移。解析表达式和数值结果在这项工作中提供了有用的见解胶体固体和大分子的流体动力学的限制。
2015-04-13 cond-mat.soft physics.comp-ph physics.flu-dyn