EspalomaCharge:基于机器学习的超快部分电荷分配
机器学习
2024-05-09 v2 化学物理
摘要
原子部分电荷是分子动力学(MD)模拟中的关键参数,决定了分子间能量的静电贡献,进而决定势能面。传统上,部分电荷的分配依赖于AM1-BCC等\textit{ab initio}半经验量子化学方法的替代方案,对于大体系或大量分子而言计算昂贵。我们提出了一种基于物理/图神经网络混合的、对广泛流行的AM1-BCC电荷模型的近似,其速度快数个数量级,同时保持与AM1-BCC不同实现间差异相当的准确性。我们的混合方法将图神经网络与精简的电荷平衡方法相耦合,以预测分子特异的原子电负性与硬度参数,随后解析确定保持分子总电荷的最优电荷平衡参数。该混合方法随原子数线性缩放,首次实现了在构建下一代自洽生物分子力场时对小分子和生物聚合物使用完全一致的电荷模型。该方法在免费开源包\texttt{espaloma\_charge}中实现,为AmberTools \texttt{antechamber}和Open Force Field Toolkit充电工作流提供了直接替代方案,此外还有独立的电荷生成接口。源代码见\url{https://github.com/choderalab/espaloma_charge}。
引用
@article{arxiv.2302.06758,
title = {EspalomaCharge: Machine learning-enabled ultra-fast partial charge assignment},
author = {Yuanqing Wang and Iván Pulido and Kenichiro Takaba and Benjamin Kaminow and Jenke Scheen and Lily Wang and John D. Chodera},
journal= {arXiv preprint arXiv:2302.06758},
year = {2024}
}