数据驱动的路径集体变量
化学物理
2023-12-22 v1 机器学习
计算物理
摘要
利用原子尺度模拟识别最优集体变量以建模相变，是一个长期存在的挑战。我们提出了一种用于生成、优化和比较集体变量的新方法，该方法可被视为路径集体变量概念的数据驱动推广。它在于对 commit 概率进行核岭回归，而该概率编码了相变的进展。所得的集体变量是一维的、可解释的且可微的，使其适用于需要施加偏置的增强采样模拟。我们在两个不同的应用上验证了该方法的有效性：一个沉淀模型，以及水中 Li 和 F 的缔合。对于前者，我们表明诸如置换不变向量等全局描述符所能达到的精度，远超通过更简单、更直观的变量所达到的精度。对于后者，我们表明与相变机制相关的信息仅包含在第一溶剂化壳层中，并且惯性效应阻碍了仅从原子位置导出最优集体变量。
引用
@article{arxiv.2312.13868,
title = {Data-driven path collective variables},
author = {Arthur France-Lanord and Hadrien Vroylandt and Mathieu Salanne and Benjamin Rotenberg and A. Marco Saitta and Fabio Pietrucci},
journal= {arXiv preprint arXiv:2312.13868},
year = {2023}
}