在实时非绝热分子动力学模拟中引入机器学习核岭回归势能面
化学物理
2018-05-11 v4
摘要
我们以6-氨基嘧啶为典型例子,讨论一种在多原子体系非绝热动力学模拟中采用机器学习势能面(ML-PESs)的理论方法。表面跳跃动力学中采用Zhu-Nakamura理论,该理论无需计算非绝热耦合矢量。绝热势能面的构建使用核岭回归方法。在非绝热动力学模拟中,我们对大多数几何构型使用ML-PESs,而在靠近S1/S0锥形交叉或处于置信度外区域的少数几何构型上切换回电子结构计算。基于ML-PESs的动力学结果与基于CASSCF势能面的结果一致。ML-PESs进一步被用于实现具有大量轨迹的高效大规模动力学模拟。本工作展示了ML方法在多原子体系非绝热动力学模拟中的强大作用。
引用
@article{arxiv.1803.01556,
title = {Inclusion of machine learning kernel ridge regression potential energy surfaces in on-the-fly nonadiabatic molecular dynamics simulation},
author = {Deping Hu and Yu Xie and Xusong Li and Lingyue Li and Zhenggang Lan},
journal= {arXiv preprint arXiv:1803.01556},
year = {2018}
}