一种基于图神经网络的可扩展方法用于大型柔性有机分子的精确力场开发
化学物理
2021-08-13 v1 软凝聚态物质
计算工程、金融与科学
机器学习
计算物理
摘要
精确的力场是所有有机聚合物与生物分子分子力学模拟成功的关键。描述分子间相互作用往往需要超越密度泛函理论的精度，而大多数相关波函数（CW）方法对大型分子而言计算代价过高。因此，在CW精度水平上为大型柔性有机分子开发可扩展的从头算力场是一个巨大挑战。本工作中，我们通过将物理驱动的非键势与数据驱动的子图神经网络成键模型（命名为sGNN）相结合来应对这一挑战。对聚乙二醇聚合物链的测试表明，我们的策略对不同尺寸的分子均高度精确且鲁棒。因此，我们可以从小分子片段（其尺寸易于用CW方法处理）开发力场，并安全地迁移至大型聚合物，从而为下一代有机力场开辟了新路径。
引用
@article{arxiv.2106.00927,
title = {An Extendible, Graph-Neural-Network-Based Approach for Accurate Force Field Development of Large Flexible Organic Molecules},
author = {Xufei Wang and Yuanda Xu and Han Zheng and Kuang Yu},
journal= {arXiv preprint arXiv:2106.00927},
year = {2021}
}