BuRNN:用于极化嵌入神经网络/分子力学模拟的缓冲区域神经网络方法
化学物理
2022-04-28 v2
摘要
杂化量子力学/分子力学(QM/MM)模拟极大地推动了计算化学领域的发展。然而,它们需要将系统划分为以不同理论层次处理的两个不同区域,这可能在界面处引起人为误差。此外,它们仍受限于量子化学计算的高计算成本。在这项工作中,我们开发了BuRNN,一种相对于现有QM/MM方案的替代方法,其引入了一个经历内区QM区域完全电子极化的缓冲区域以最小化人为误差。QM与缓冲区域之间的相互作用由深度神经网络(NN)描述,这使得该杂化NN/MM方案在保持量子化学精度的同时具有高的计算效率。我们通过执行六水合铁配合物的NN/MM模拟来展示BuRNN方法。
引用
@article{arxiv.2112.11395,
title = {BuRNN: Buffer Region Neural Network Approach for Polarizable-Embedding Neural Network / Molecular Mechanics Simulations},
author = {Bettina Lier and Peter Poliak and Philipp Marquetand and Julia Westermayr and Chris Oostenbrink},
journal= {arXiv preprint arXiv:2112.11395},
year = {2022}
}
备注
37 pages, 9 figures