机器学习势能面的数学设计、评估与应用
化学物理
2025-11-04 v1 计算物理
生物大分子
摘要
势能面（PES）是研究、描述和理解气相和浓缩相中化学与生物系统不可或缺的工具。机器学习（ML）方法的进展导致机器学习势能面（ML-PES）的发展，这些方法已在模拟此类系统方面广泛使用。本文提供关于构建和使用 ML-PES 的概念、方法及建议概述。选题聚焦于构思和使用此类模型的实际且反复出现的议题。通过两种生物分子重要系统的实例阐述所讨论的原则：气相和溶液相中阿尔纳林-赖氨-阿尔纳三肽的非反应动力学，以及 DNA 碱基对中的双质子转移反应。
引用
@article{arxiv.2511.00951,
title = {Design, Assessment, and Application of Machine Learning Potential Energy Surfaces},
author = {Valerii Andreichev and Sena Aydin and Kai Töpfer and Markus Meuwly and Luis Itza Vazquez-Salazar},
journal= {arXiv preprint arXiv:2511.00951},
year = {2025}
}