化学反应路径的隐式神经表示
机器学习
2025-07-10 v3 化学物理
摘要
我们展示了神经网络可被优化以表示作为连续函数的最小能量路径，这为离散路径搜索方法（如 Nudged Elastic Band, NEB）提供了灵活的替代方案。我们的方法通过在损失函数中抛弃切向能量梯度，使其能够即时估计过渡态。我们首先在二维势能面上验证该方法，然后在具有 (i) 潜在初始猜测导致非物理路径、(ii) 多个竞争路径存在或 (iii) 反应遵循复杂多步骤机制的情况下，展示其在具有挑战性的原子系统中相对于 NEB 的优势。结果凸显了该方法的多样性：例如，在优化过程中调整采样策略可帮助逃离局部最低解。在低维设置下，我们证明单个神经网络可从现有路径中学习，并推广到未见的系统，显示出通用反应路径表示的潜力。
引用
@article{arxiv.2502.15843,
title = {Implicit Neural Representations for Chemical Reaction Paths},
author = {Kalyan Ramakrishnan and Lars L. Schaaf and Chen Lin and Guangrun Wang and Philip Torr},
journal= {arXiv preprint arXiv:2502.15843},
year = {2025}
}
备注
Published in the Journal of Chemical Physics