用于纳秒级模拟的神经网络势生成器：基于主动学习构建稳健且准确的分子动力学势
材料科学
2025-05-29 v4 计算物理
摘要
神经网络势（NNP）能够对包含超过 10,000 个原子的系统进行大规模分子动力学（MD）模拟，其精度可与从头算方法相媲美，在材料研究中发挥着关键作用。尽管 NNP 对于短时程的 MD 模拟很有价值，但由于势能面（PES）存在未探索区域，维持长时间 MD 模拟的稳定性仍然是一个挑战。目前，尚无有效方法解决此问题。为克服这一挑战，我们基于主动学习（AL）框架开发了一种自动生成稳健且准确的 NNP 的生成器。该生成器提供了一个完全集成的解决方案，涵盖初始数据集创建、NNP 训练、评估、额外结构采样、筛选和标注。关键在于，我们的方法采用了一种侧重于生成具有短原子间距的不稳定结构的采样策略，并结合了基于原子间距和结构特征的筛选策略，以高效地采样这些构型。这种方法显著增强了 MD 模拟的稳定性，使得纳秒级模拟成为可能。我们通过将 NNP 生成器应用于液态丙二醇（PG）和聚乙二醇（PEG）来评估其 MD 模拟稳定性和物理性质预测性能。生成的 NNP 能够对包含超过 10,000 个原子的系统进行长达 20 纳秒的稳定 MD 模拟。预测的物理性质，如密度和自扩散系数，与实验值高度吻合。这项工作代表了为有机材料生成稳健且准确的 NNP 方面的重大进展，为复杂系统的长时间 MD 模拟铺平了道路。
关键词
引用
@article{arxiv.2411.17191,
title = {Generator of Neural Network Potential for Molecular Dynamics: Constructing Robust and Accurate Potentials with Active Learning for Nanosecond-scale Simulations},
author = {Naoki Matsumura and Yuta Yoshimoto and Tamio Yamazaki and Tomohito Amano and Tomoyuki Noda and Naoki Ebata and Takatoshi Kasano and Yasufumi Sakai},
journal= {arXiv preprint arXiv:2411.17191},
year = {2025}
}