提升机器学习势函数建模非均匀液体的可靠性

界面处及溶质颗粒周围非均匀流体的原子尺度响应，在控制此类界面上的化学、电化学与生物过程中起关键作用。经典分子动力学模拟已广泛直接用于模拟非均匀流体的响应，并作为经典密度泛函理论的输入，但受限于底层经验力场的精度。本文中，我们部署训练于第一性原理模拟的神经网络势函数（NNPs）来精确预测两种差异显著的流体——液态水与熔融 NaCl——的非均匀响应。尽管 NNP 可轻易训练以在一系列状态点建模复杂体相系统，但为了适当建模流体在界面的响应，训练数据中必须包含非均匀构型。我们基于外场原子势中的分子动力学模拟建立协议，以充分采样非均匀流体的正确构型。我们展示，训练于非均匀流体构型的 NNP 能比经验力场更精确地预测若干性质，如水与熔融 NaCl 中的密度响应、表面张力与尺寸依赖的空化自由能，且对应于第一性原理相互作用。因此，本工作首次展示并提供了从第一性原理提取非均匀流体响应以用于无经验势函数的流体经典密度泛函处理的框架。