构建具有量子化学精度的机器学习力场：应用与化学洞察

高精度的力场是产生预测性模拟的必然要求。在此我们给出构建机器学习分子力场的路径，讨论从生成参考计算数据集到构建机器学习模型、再到验证模型所产生物理的层次化流程。我们将使用对称化梯度域机器学习(sGDML)框架，因为它能够高精度地重建复杂高维势能面(PES)，即便仅用几百个分子构型进行训练。sGDML模型的数据高效性允许使用基于高阶波函数方法计算的参考原子力，例如黄金标准耦合簇单、双和微扰三重激发方法(CCSD(T))。我们证明sGDML框架的灵活本质在不对原子间势的性质施加任何限制的情况下，捕捉了局域与非局域电子相互作用（例如氢键、孤对电子、位阻排斥、杂化态变化（例如 $sp^2 \rightleftharpoons sp^3$）、$n\to\pi^*$相互作用以及质子转移）。对不同分子结构在不同理论水平（例如密度泛函理论和CCSD(T)）训练的sGDML模型的分析提供了经验证据：更高理论水平生成更光滑的PES。此外，对分子动力学模拟的细致分析产生了关于接近光谱精度的小分子动力学与振动光谱的新的定性洞察。