基于深度学习势能和长短期记忆网络算子的最小开关表面跳跃：用于模拟真实光化学过程
化学物理
2026-05-25 v2
摘要
最小开关表面跳跃（FSSH）是模拟分子系统光化学过程最流行的方法。最近，我们构建了长短期记忆（LSTM）网络作为 FSSH 动力学仿真中电子子系统的算子。该方法在 Tully 的三个模型上的结果已得到满意的复现。在本工作中，我们发展了扩展的 LSTM-FSSH 框架，用于模拟真实的光化学反应。重新设计了 LSTM 的输入特征以及训练程序，以有效表示高维核自由度。将等效神经网络与 LSTM 集成，以构建基态和激发态的绝热势能面。模拟了 和亚苯并噻唑的光异构化，结果表明，新的提出的 LSTM-FSSH 方法能够准确预测激发态寿命和产物收率，与传统 FSSH 仿真作为参考结果相符。仅需 10 条参考轨迹即可训练 LSTM 网络，然后即可通过非常高效的 LSTM-FSSH 动力学仿真生成轨迹集合以获得整体结果。
引用
@article{arxiv.2601.21703,
title = {Fewest-Switches Surface Hopping with Combined Deep Learning Potential and Long Short-Term Memory Network Propagator for Simulating Realistic Photochemical Processes},
author = {Zhenxing Zhu and Diandong Tang and Lin Shen and Wei-Hai Fang},
journal= {arXiv preprint arXiv:2601.21703},
year = {2026}
}
备注
SI included