具有直接力架构的准确且可扩展多元素图神经网络力场及分子动力学
计算物理
2020-07-30 v1
摘要
近来，机器学习（ML）已被用于解决一直限制从头算分子动力学（AIMD）的计算成本问题。在此，我们提出 GNNFF，一种图神经网络框架，用于从局部原子环境的自动提取特征中直接预测原子力，这些特征对原子坐标是平移不变但旋转协变的。我们证明 GNNFF 不仅在多种材料体系上于力预测精度与计算速度方面表现高性能，而且能在由较小体系获得的力训练后准确预测大型 MD 体系的力。最后，我们用我们的框架对超离子导体 Li7P3S11 进行 MD 模拟，并显示所得 Li 扩散系数与直接由 AIMD 获得的在 14% 以内。GNNFF 表现出的高性能可轻易推广至研究其他材料体系的原子级动力学。
引用
@article{arxiv.2007.14444,
title = {Accurate and scalable multi-element graph neural network force field and molecular dynamics with direct force architecture},
author = {Cheol Woo Park and Mordechai Kornbluth and Jonathan Vandermause and Chris Wolverton and Boris Kozinsky and Jonathan P. Mailoa},
journal= {arXiv preprint arXiv:2007.14444},
year = {2020}
}