利用图表示学习变量增强晶体成核的采样
统计力学
2023-10-13 v1 材料科学
机器学习
摘要
在本研究中，我们提出了一种基于图神经网络的自动编码器学习方法，从实验晶体结构观察到的特征中推导低维变量。这些变量随后在增强采样中被偏置，以观察状态间转变并获取可靠的热力学权重。我们的方法使用简单的卷积和池化方法。为验证我们方案的有效性，我们考察了铁及甘氨酸的多种同素异形体和多晶型体从其熔融态的成核过程。我们的图潜变量在良好 tempered 元动力学（well-tempered metadynamics）中被偏置时，持续展示状态间转变，并达成与实验相符的准确自由能计算，二者均为可靠采样的标志。这凸显了我们的图神经网络变量在改进采样方面的优势与前景。此处所示方案应可适用于其他体系及其他采样方法。
引用
@article{arxiv.2310.07927,
title = {Enhanced sampling of Crystal Nucleation with Graph Representation Learnt Variables},
author = {Ziyue Zou and Pratyush Tiwary},
journal= {arXiv preprint arXiv:2310.07927},
year = {2023}
}